Centro de conocimiento
Contenido

Pregunta: ¿cómo implantar PHM con IA y qué casos pueden servir de referencia?

Respuesta: PHM comienza con datos completos y exactos; combina física y aprendizaje para características y degradación, y cierra umbrales, vida restante y órdenes. Cambia sustitución periódica por decisión según estado. Sin datos, ningún algoritmo vistoso funciona.

I. Problema que resuelve PHM

El calendario fijo causa exceso de mantenimiento o paradas imprevistas. PHM responde salud actual, duración restante y momento rentable. Incluye vigilancia, diagnóstico, vida útil restante RUL y optimización de decisiones. ISO 13374 sirve de referencia de seis capas, desde adquisición y tratamiento a evaluación, pronóstico y decisión.

II. Construir la adquisición

Las cinco señales rotativas habituales son vibración, temperatura, corriente, aceite y emisión acústica. Vibración crítica suele exigir kHz; temperatura basta en segundos. OPC UA, Modbus y MQTT son comunes; añadir pasarela o sensores al equipo sin interfaz. Esta base fija el techo del modelo: pilotar cuellos, activos valiosos y fallos graves, no toda la planta.

III. Modelos fiables

El aprendizaje puro falla con escasos fallos; física-datos es más estable. En rodamientos, espectro de envolvente extrae frecuencias y clasificación distingue aro interno y externo. Vida restante utiliza indicador de degradación y Wiener o LSTM. El umbral es solo inicio: interesa tendencia semanas antes. Sin historial, arrancar con biblioteca sectorial y mejorar con datos reales.

IV. Cerrar el ciclo en planta

Generar recomendaciones y órdenes hacia EAM/MES o la alerta será solo un número. Vincular repuestos: previsión de cambio en dos semanas activa compras antes. La dificultad es el proceso; adaptar respuesta y responsabilidades del mantenimiento.

Pregunta relacionada: ¿por qué equipos empezar?

Respuesta: consecuencias graves, historial y señales medibles: compresores, bombas, ventiladores, reductores y husillos. Mecanismos claros y rasgos visibles facilitan resultados y aceptación.

Pregunta relacionada: ¿sin historial de averías?

Respuesta: sí, con compromisos. Umbrales y física primero; acumular seis meses a un año etiquetados antes de predecir. También transferencia desde conjuntos públicos similares.

Pregunta relacionada: ¿cómo medir éxito?

Respuesta: parada no planificada, rotación de repuestos, falsas alarmas y anticipación. Sin controlar falsos avisos el terreno pierde pronto confianza, causa directa de muchos fracasos.

Caso hipotético: husillo SMT que se agarrota frecuentemente. Sensores de vibración y temperatura, rasgos edge y modelo nube permiten tras tres meses avisar una semana antes; cambiar rodamientos según alerta reduce paradas. En otra prensa automotriz, corriente y vibración evalúan hidráulica, bomba y válvulas, cambiando aceite según análisis y condición.

Conviene a muchos activos, pérdidas altas y red y sistemas básicos, especialmente grupos críticos de procesos y fabricación discreta. Pequeños talleres con poco impacto y registros incompletos deben consolidar inspecciones. Sin mecanismo conocido ni señal, resolver medición antes de imponer IA. La experiencia de décadas ERP, 1,2 millones de clientes y decenas de millones de terminales muestra que gobernanza y procesos deciden el éxito; el algoritmo es un eslabón. Identificar las tres máquinas más dolorosas, señales y disposición del equipo orienta la selección.

Tema: AI-FAQ