Downtime -38% y 220k€/año ahorrados con mantenimiento predictivo IA.
Una industria leonesa de 95 empleados perdía 6-9 jornadas al mes por paradas no planificadas de equipos críticos. Implantamos un sistema de mantenimiento predictivo con IA sobre datos de sus PLCs y sensores existentes. Doce meses después: downtime no planificado -38%, 220.000 € de ahorro estimado anual y vida útil de equipos crítica extendida 25%.
León · 95 empleados · Industria
Una industria leonesa con equipos críticos viejos y mantenimiento solo correctivo.
El cliente es una industria leonesa de 95 empleados: 68 en producción a tres turnos, 9 en mantenimiento, 8 en calidad e ingeniería, 6 en administración y comercial, 4 en dirección/staff. Producción continua con tres líneas principales y siete equipos críticos cuya parada inesperada arrastra toda la línea. Facturación industrial de tamaño medio en su sector.
Antes del proyecto, mantenimiento operaba en modo correctivo y preventivo por calendario: cambio de piezas según fabricante (no según uso real) y reparación urgente cuando algo se rompía. El responsable de mantenimiento medía 6-9 jornadas perdidas al mes por paradas no planificadas en equipos críticos. Cada hora parada de la línea principal costaba alrededor de 1.400 €/h entre producción no realizada, personal ocioso y reprogramación logística.
Tenían PLCs Siemens y Allen-Bradley con datos históricos exportables (presión, vibración, temperatura, corriente, ciclos) y un par de sensores adicionales en los equipos más caros. Los datos estaban ahí — nadie los miraba como serie temporal predictiva. Habían recibido propuestas de soluciones IIoT enterprise (Microsoft, GE Digital, PTC) con tickets de 200-400k € de implantación. No encajaban en tamaño ni en presupuesto.
Datos que ya tienen, modelos abiertos en infraestructura local, alertas accionables.
La trampa habitual en mantenimiento predictivo industrial para pyme es proponer plataformas IIoT enterprise carísimas que necesitan replantear toda la operación. Decidimos lo contrario: usar los datos que ya tienen, modelos abiertos en infraestructura del cliente y entregar alertas accionables al equipo de mantenimiento existente.
Conectamos un sistema de captura sobre los PLCs Siemens y Allen-Bradley vía OPC-UA (estándar abierto, sin licencias caras). Datos en streaming a una base de datos de series temporales (TimescaleDB sobre PostgreSQL) hospedada en infraestructura local de la planta. Sin sacar datos críticos a la nube en esta primera fase — requisito explícito del cliente por confidencialidad y latencia.
Encima de los datos montamos modelos predictivos específicos por tipo de equipo: detección de anomalías para detectar drift respecto al patrón normal, modelos de regresión para estimar vida útil restante de componentes clave (rodamientos, bombas, motores eléctricos) y reglas físicas para validar predicciones de IA con conocimiento del proceso. Cada modelo entrenado con histórico del propio equipo, no con modelo genérico.
El cambio operacional fue la integración con el sistema de partes de mantenimiento: cuando un modelo detecta probabilidad alta de fallo, se genera automáticamente una orden de trabajo en el GMAO existente con diagnóstico, recomendación y ventana de intervención sugerida. El responsable de mantenimiento decide; la IA propone. Eso fue crítico para adopción del equipo de mantenimiento — sentían que les ayudaba, no que les sustituía.
Reporting mensual para dirección con métricas claras: downtime evitado, intervenciones realizadas vs. predichas, fallos no detectados (false negatives) y ahorro estimado. Conexión con datos de producción para calcular impacto real en facturación. La socia gerente y el responsable de mantenimiento revisan juntos cada mes — el modelo mejora con feedback.
De auditoría a mantenimiento predictivo en producción en 14 semanas.
Auditoría técnica y operativa (semanas 1-3)
Sesiones con responsable de mantenimiento, jefe de producción, ingeniero de procesos y dirección. Inventario de equipos críticos (7 priorizados), datos disponibles en PLCs, sistemas existentes (GMAO, MES). Análisis de 24 meses de partes correctivos para identificar patrones de fallo.
Infraestructura y captura (semanas 4-7)
Despliegue de servidor local en planta. Configuración OPC-UA sobre PLCs Siemens y Allen-Bradley. Base de datos de series temporales. Ingesta histórica de 24 meses. Validación de calidad de datos con ingeniero del cliente.
Modelado y piloto (semanas 8-12)
Modelos por equipo crítico: detección de anomalías, regresión de vida útil, reglas físicas. Validación cruzada con histórico. Piloto en 3 equipos críticos durante 4 semanas. Ajuste de umbrales y feedback con responsable de mantenimiento.
Despliegue total y operación
Apertura a los 7 equipos críticos. Integración con GMAO existente para generación automática de órdenes de trabajo. Formación al equipo de mantenimiento (8h en 2 grupos). Dashboard para dirección. Revisión mensual con feedback al modelo.
Cinco lecciones replicables a otras industrias
Usar los datos que ya tienes, no instalar IoT nuevo
La mayoría de industrias medianas tienen PLCs con datos exportables vía OPC-UA o Modbus que nadie aprovecha. Empezar por ahí evita inversión enorme en sensores nuevos y demuestra ROI antes de ampliar. Solo añadir sensores donde la predicción falla por falta de señal.
On-premise gana en industria por confidencialidad y latencia
Para mantenimiento predictivo en pyme industrial, mantener datos en infraestructura local de la planta evita problemas de confidencialidad (datos de producción son sensibles), reduce latencia de alertas y elimina dependencia de conectividad estable. El coste extra de hardware es bajo.
Modelo por equipo, no por categoría
Tentación de entrenar un modelo "para bombas" o "para motores". Mala idea: cada equipo tiene su patrón propio (edad, mantenimiento previo, condiciones operativas). Modelo entrenado con histórico de cada equipo individual tiene 2-3× mejor precisión.
Reglas físicas validan a la IA
IA sola puede dar falsos positivos por correlaciones espurias. Combinar predicción con reglas físicas del proceso (qué patrón de temperatura es físicamente posible, qué vibración es coherente con la carga) reduce falsos positivos un 60-70% y mejora confianza del equipo de mantenimiento.
Adopción del equipo de mantenimiento es el 70% del éxito
Si el sistema "decide" sin contexto del operario, el equipo lo ignora a las dos semanas. Si propone con explicación, integra en el GMAO existente y se revisa juntos cada mes, se adopta y mejora con feedback. La parte cultural es más importante que la técnica.
Dudas que nos hacéis llegar
¿Tu industria pierde días al mes por paradas no planificadas?
Te decimos en 45 min qué datos tienes ya disponibles, qué tipo de equipos críticos predecirías primero y qué ahorro es realista.