Mantenimiento predictivo sin sensores: Inteligencia operacional a partir de una plataforma de gestión basada en IA
Guim Crusellas Felip
FM Cloud Director
Optima Grupo
La evolución del mantenimiento industrial pasa por extraer mayor valor de los datos disponibles, superando el enfoque tradicional centrado exclusivamente en la instalación de sensores adicionales. Mediante un enfoque basado en inteligencia y analítica avanzada, es posible anticipar fallos, optimizar el consumo energético y reducir costes. Este cambio de paradigma impulsa la transición desde modelos reactivos o preventivos hacia estrategias predictivas, más eficientes, sostenibles y alineadas con los objetivos de competitividad y sostenibilidad de la industria actual.
1. EL RETO DE UN MANTENIMIENTO EFICIENTE
Durante años, el mantenimiento predictivo ha estado ligado al uso de sensores: dispositivos que registran vibraciones, temperaturas, presiones y otros parámetros físicos para anticipar fallos y optimizar la operación de equipos críticos. Esta tecnología ha demostrado su eficacia, pero también ha traído consigo altos costes, instalación intrusiva y mantenimiento adicional de los propios sensores.
Hoy en día, el ecosistema actual se ha expandido hacia nuevas soluciones tecnológicas y el mantenimiento predictivo ha evolucionado más allá de los sensores físicos. Actualmente, el mercado combina tecnologías que van desde la monitorización tradicional (vibración, temperatura, presión) hasta soluciones basadas en inteligencia artificial, analítica avanzada y gemelos digitales. Plataformas en la nube, edge computing e integración con sistemas industriales permiten analizar datos en tiempo real y anticipar fallos sin necesidad de hardware adicional.
La tendencia apunta a aprovechar la información ya disponible en los sistemas de control, priorizando la calidad de los datos, la transparencia en el funcionamiento de los modelos y la rentabilidad de las soluciones frente a la simple instalación de más sensores.
Ante este escenario, surge una alternativa disruptiva: una plataforma basada en IA que posibilita el mantenimiento predictivo sin necesidad de sensores físicos. Esta plataforma plantea un enfoque no intrusivo, basado en el análisis de datos operativos y el uso de inteligencia artificial (IA). Su tecnología permite detectar desviaciones, optimizar planes de mantenimiento y mejorar la disponibilidad de los activos sin recurrir a sensores externos.
2. LO HACEMOS POSIBLE CON TECNOLOGÍA PREDICTIVA SIN SENSORES
El corazón tecnológico de la solución es un medidor de energía, que se conecta directamente al cuadro de distribución eléctrica y monitoriza hasta 36 circuitos o activos en tiempo real, midiendo potencia, voltaje, frecuencia y más de 20 armónicos cada 0,4 segundos. Todo esto sin instalar sensores adicionales. Los datos de energía se envían cada 10 minutos; los armónicos pueden enviarse hasta con 0,4 segundos de diferencia, dependiendo de la actividad del activo.
Los algoritmos de inteligencia artificial analizan estas lecturas para construir una “huella digital” de cada activo, capaz de identificar patrones de funcionamiento, desviaciones y posibles fallos antes de que ocurran. Así, la plataforma mejora los datos de BMS y, para aquellos sitios sin un BMS, se convierte en un método muy rentable para monitorear equipos HVAC.
Figura 1. Apariencia del medidor de energía
3. UNA SOLUCIÓN BASADA EN LA INTELIGENCIA ARTIFICIAL
Los módulos de la plataforma de IA recogen datos en tiempo real de equipos como sistemas HVAC, hornos, refrigeradores o calderas. A través de algoritmos de IA, analizan tendencias de comportamiento, detectan anomalías y envían alertas predictivas a los responsables de mantenimiento mediante un dashboard centralizado (panel de control) o aplicación móvil.
Los módulos de esta plataforma capturan y procesan datos en tiempo real procedentes de sensores industriales instalados en equipos críticos como sistemas HVAC, hornos, refrigeradores o calderas. Estos datos incluyen variables multivariantes como temperatura, presión, vibración, consumo energético, ciclos de operación y estados de funcionamiento, que se transmiten mediante protocolos industriales (por ejemplo, MQTT) a una arquitectura centralizada en la nube o en entornos edge.
Sobre esta base de datos continua se aplican algoritmos avanzados de inteligencia artificial y aprendizaje automático (machine learning). En una primera capa, se emplean modelos de análisis de series temporales y aprendizaje no supervisado (como clustering o autoencoders) para establecer patrones de funcionamiento normal de cada activo, teniendo en cuenta su contexto operativo y estacionalidad. A partir de estos modelos de referencia, el sistema es capaz de detectar desviaciones significativas o anomalías incipientes que no serían evidentes mediante reglas fijas o umbrales estáticos.
En una segunda capa, los algoritmos predictivos -basados en modelos supervisados, redes neuronales recurrentes (LSTM) o técnicas de predictive analytics- estiman la probabilidad de fallo y el tiempo restante de vida útil, adaptándose a los cambios en las condiciones de operación o envejecimiento de los equipos.
Cuando el sistema identifica un riesgo relevante, genera alertas inteligentes priorizadas que se envían a los responsables de mantenimiento a través de un dashboard centralizado o una aplicación móvil. Estas alertas no solo indican que existe una anomalía, sino que aportan contexto técnico: variable afectada, tendencia histórica, nivel de criticidad y posibles causas raíz sugeridas por el modelo.
Esta visibilidad avanzada permite implementar estrategias de just-in-time maintenance (justo a tiempo), programando intervenciones exactamente cuando el riesgo de fallo alcanza un umbral determinado para evitar que ocurra el fallo. El impacto es una reducción significativa del mantenimiento reactivo, lo que implica una reducción de costes, una mejor planificación de repuestos y recursos humanos, y un aumento de la productividad del personal técnico, que puede actuar de forma proactiva con información accionable desde el primer momento. De este modo, se evitan tanto las intervenciones innecesarias como las paradas imprevistas, optimizando la disponibilidad y el ciclo de vida de los activos industriales.
Figura 2. Panel de control de la plataforma de IA
4. APRENDIZAJE AUTOMÁTICO (MACHINE LEARNING)
El aprendizaje automático es la base del sistema. Estos algoritmos aprenden patrones directamente a partir de los datos históricos y en tiempo real generados por los equipos industriales.
Esto es clave porque permite descubrir patrones complejos imposibles de definir manualmente.
5. VENTAJAS DE LOS ALGORITMOS DE IA UTILIZADOS
5.1. Aprendizaje basado en el comportamiento real del activo
Los algoritmos de machine learning (no supervisados y supervisados) no dependen de reglas predefinidas ni de umbrales fijos. Aprenden automáticamente el patrón de funcionamiento normal de cada equipo a partir de datos históricos y en tiempo real.
La ventaja clave es que se adaptan a distintos modelos, condiciones de carga, envejecimiento y cambios operativos sin necesidad de reprogramación manual.
5.2. Detección temprana de fallos incipientes
Mediante técnicas como anomaly detection, autoencoders o modelos de series temporales, el sistema identifica desviaciones sutiles antes de que el fallo sea evidente.
La ventaja clave es la anticipación de fallos días o semanas antes, frente a métodos reactivos que solo actúan cuando el problema ya se ha producido.
5.3. Predicción de vida útil restante (RUL)
Los modelos predictivos avanzados (por ejemplo, redes neuronales recurrentes o regresión multivariable) permiten estimar la vida útil restante de componentes críticos.
La ventaja clave es el mantenimiento basado en riesgo real y no en intervalos fijos, lo que optimiza costes y disponibilidad.
5.4. Priorización inteligente de alertas
Los algoritmos no solo detectan anomalías, sino que clasifican y priorizan los eventos según criticidad, impacto operativo y probabilidad de fallo.
La ventaja clave es evitar la “fatiga de alertas” típica de sistemas basados en reglas simples.
5.5. Escalabilidad y mejora continua
A medida que el sistema incorpora más datos y casos reales de fallo, los modelos mejoran su precisión y reducen falsos positivos.
La ventaja clave es el rendimiento del algoritmo crece con el uso, algo imposible en sistemas estáticos.
6. DIFERENCIAS FRENTE A OTROS ENFOQUES ALGORÍTMICOS
6.1. Algoritmos basados en reglas y umbrales estáticos
Los sistemas tradicionales de monitorización industrial se apoyan en reglas deterministas y umbrales fijos definidos por expertos o fabricantes. Este enfoque asume condiciones de operación estables y comportamientos repetibles, lo cual rara vez se cumple en entornos industriales reales.
En contraste, los algoritmos de machine learning construyen modelos dinámicos del comportamiento normal de cada activo a partir de datos históricos y en tiempo real. Estos modelos se ajustan, automáticamente, a variaciones de carga, envejecimiento de componentes y cambios de régimen operativo, reduciendo significativamente la tasa de falsos positivos y falsos negativos. Mientras que los sistemas basados en reglas reaccionan ante la superación de un umbral, los modelos de IA identifican desviaciones estadísticas y patrones anómalos antes de que se alcance un valor crítico. Es decir, los sistemas tradicionales reaccionan, mientras que la IA anticipa.
6.2. Mantenimiento preventivo basado en intervalos fijos
El mantenimiento preventivo clásico se fundamenta en calendarios temporales o ciclos de uso, independientemente del estado real del activo. Este enfoque introduce ineficiencias estructurales, ya que combina intervenciones prematuras con la incapacidad de anticipar fallos fuera del intervalo previsto.
Los algoritmos predictivos basados en IA sustituyen este paradigma por un modelo de mantenimiento basado en condición (condition-based maintenance), donde las decisiones se derivan de la probabilidad de fallo y de la estimación de la vida útil restante (Remaining Useful Life, RUL). Este cambio permite optimizar la asignación de recursos, minimizar intervenciones innecesarias y reducir el riesgo de paradas no planificadas.
6.3. Métodos estadísticos univariantes y modelos lineales
Los enfoques estadísticos convencionales -como medias móviles, control estadístico de procesos (SPC) o análisis de desviaciones estándar- suelen operar sobre una única variable y bajo supuestos de linealidad y estacionariedad. Estas limitaciones reducen su eficacia en sistemas complejos, altamente acoplados y con múltiples fuentes de ruido.
Los algoritmos de IA, en cambio, modelan relaciones multivariantes y no lineales entre decenas o cientos de señales simultáneamente. Mediante técnicas de aprendizaje profundo y análisis de series temporales, capturan dependencias temporales, correlaciones cruzadas y efectos retardados, proporcionando una capacidad predictiva significativamente superior.
6.4. Sistemas expertos y modelos basados en conocimiento explícito
Los sistemas expertos codifican el conocimiento humano en forma de reglas lógicas y árboles de decisión. Aunque útiles en dominios bien acotados, su escalabilidad es limitada y su mantenimiento resulta costoso, especialmente cuando las condiciones operativas evolucionan.
Los modelos de IA basados en datos desplazan este enfoque hacia un aprendizaje empírico continuo. El conocimiento no se define manualmente, sino que emerge del análisis de grandes volúmenes de datos reales de operación y fallo. Esto permite una adaptación constante del modelo, una transferencia más sencilla entre activos similares y una reducción significativa del esfuerzo de mantenimiento del sistema.
6.5. Modelos reactivos frente a modelos predictivos
Los algoritmos tradicionales operan de forma reactiva, activándose una vez que el fallo se ha producido o el parámetro ha superado un límite crítico. En contraste, los modelos predictivos basados en IA estiman la evolución futura del estado del activo, anticipando fallos con un horizonte temporal suficiente para planificar acciones correctivas.
Desde un punto de vista técnico, esta diferencia implica pasar de una lógica de detección de eventos a una lógica de estimación probabilística y pronóstico, lo que representa un cambio fundamental en la gestión del mantenimiento industrial.
Como síntesis técnica, podemos decir que la diferencia esencial entre los algoritmos de IA y los enfoques tradicionales radica en su capacidad de modelar sistemas complejos, aprender de forma continua y generar predicciones accionables. Frente a métodos estáticos, univariantes o reactivos, la IA introduce un paradigma adaptativo, multivariante y predictivo, alineado con las exigencias de la industria moderna y los entornos de operación altamente dinámicos.
7. CASO DE ÉXITO: IA APLICADA A LA GESTIÓN ENERGÉTICA Y MANTENIMIENTO PREDICTIVO EN UN GRUPO EMPRESARIAL DEL ENTRETENIMIENTO Y JUEGO CON MÁS DE 50 CENTROS
Un grupo empresarial líder del sector del entretenimiento y el juego, con una red de más de 50 centros operativos en el Reino Unido, abordó un ambicioso programa de optimización energética y reducción de emisiones de carbono apoyándose en tecnologías de inteligencia artificial y analítica avanzada.
El proyecto fue ejecutado desplegando la plataforma de IAque estamos abordando en este artículo, como solución central de monitorización energética y supervisión de activos. La implantación se complementó con servicios de consultoría de datos y análisis avanzado, orientados a minimizar el consumo energético, mejorar la eficiencia operativa, maximizar la reducción de carbono y acelerar el cumplimiento de objetivos ESG.
7.1. Arquitectura de despliegue y adquisición de datos
En una primera fase del proyecto se instalaron más de 600 medidores de energía en 40 centros, con un plan de despliegue progresivo para cubrir la totalidad del parque inmobiliario. Estos dispositivos se integraron con, aproximadamente, 12.000 activos críticos (sistemas HVAC, iluminación, equipamiento eléctrico y otros subsistemas), permitiendo la captura continua de variables energéticas y operativas.
La infraestructura resultante genera más de 10.000 millones de puntos de datos anuales, que se transmiten y procesan en una plataforma centralizada. Los datos se visualizan mediante informes personalizados, cuadros de mando avanzados y una aplicación móvil, facilitando tanto la supervisión en tiempo real como el análisis histórico por parte de los equipos operativos y de gestión.
7.3. Aplicación de IA y analítica avanzada
Los datos recopilados son procesados por el módulo de mantenimiento predictivo de la plataforma, que emplea algoritmos de machine learning para:
- Modelar el comportamiento energético normal de los activos.
- Detectar anomalías y desviaciones de consumo.
- Identificar ineficiencias operativas y oportunidades de optimización.
- Proporcionar información accionable para la toma de decisiones técnicas y estratégicas.
Este enfoque basado en datos permitió no solo la detección temprana de consumos anómalos, sino también la promoción de cambios de comportamiento positivos en los equipos locales, apoyados por visualizaciones claras y métricas comparables entre centros.
7.4. Resultados cuantitativos y retorno de la inversión
El impacto de la solución es medible y sostenido en el tiempo:
- Consumo eléctrico en 2022 (pre-implantación): 61.843.438 kWh/año
- Consumo eléctrico en 2023: 55.281.251 kWh/año (−10,6%)
- Consumo eléctrico en 2024: 47.631.154 kWh/año (−23% respecto a 2022)
| Consumo anual 2022 | Consumo anual 2023 | Consumo anual 2024 |
| 61.843.438 kWh | 55.281.251 kWh | 47.631.154 kWh |
| 6.562.187 (ahorro anual: 10,6%) | 7.650.097 (ahorro anual: 13,8%) |
Tabla 1. Tabla con los resultados cuantitativos de monitorización energética y supervisión de activos
Desde el punto de vista financiero, el cliente ha realizado una inversión acumulada de 900.000 £ en la plataforma, logrando unos ahorros totales de 4.985.873 £. Esto se traduce en un retorno de la inversión (ROI) del 454%, con ahorros netos desde el primer año de implantación.
7.5. Conclusión técnica
Este caso demuestra cómo una arquitectura escalable de captura masiva de datos, combinada con algoritmos de machine learning y analítica predictiva, puede transformar la gestión energética y operativa en organizaciones con grandes carteras de activos distribuidos. Esta plataforma ha permitido al cliente alcanzar objetivos ESG ambiciosos, reducir de forma sostenida su huella de carbono y mejorar la eficiencia de sus operaciones, todo ello garantizando un retorno económico claro y cuantificable.
8. APLICACIONES MULTISECTORIALES
La versatilidad de la plataforma de IA permite su aplicación en sectores como retail, hostelería, sanidad y educación, cada uno con sus propios retos en materia de activos, cumplimiento y fiabilidad operativa.
Una vez que la plataforma recopila un volumen suficiente de datos, inicia la fase predictiva, generando información precisa para la toma de decisiones estratégicas. Además, puede integrarse sin fricciones con infraestructuras de mantenimiento ya existentes, añadiendo una capa de inteligencia sin necesidad de sustituir sistemas previos.
Para empresas con múltiples ubicaciones y una alta dependencia de equipos críticos, representa una solución escalable, rentable y alineada con los objetivos de sostenibilidad.
