Cuando el conocimiento del ingeniero de mantenimiento se convierte en la clave del modelo

El mantenimiento predictivo (PdM, por Predictive Maintenance) promete algo que cualquier responsable de planta desea: saber que una máquina va a fallar antes de que falle, para intervenir en el momento justo, ni demasiado pronto ni demasiado tarde. Para conseguirlo se instalan sensores, se conectan sistemas, se contratan plataformas de inteligencia artificial y se lanzan proyectos piloto que, con demasiada frecuencia, terminan en un cajón. Las causas que se suelen señalar son el algoritmo, la calidad de los sensores o la falta de datos. Sin embargo, en la mayoría de los casos el problema está en un eslabón intermedio, casi invisible, que se llama feature engineering o ingeniería de características. Y lo más importante para este sector es que ese eslabón no pertenece a la ciencia de datos, sino a la ingeniería de mantenimiento.

Qué es el feature engineering en el mundo del mantenimiento

Un sensor de vibraciones instalado en un rodamiento puede registrar decenas de miles de mediciones por segundo. Esa avalancha de números, tal como sale del sensor, no le dice nada a un algoritmo sobre si el rodamiento está sano, desgastado o a punto de romperse. Es como intentar juzgar la salud de un paciente mirando los milímetros de tinta de un electrocardiograma sin saber leerlo: la información está ahí, pero escondida. El feature engineering es el proceso de convertir esas señales en bruto en indicadores con significado físico, es decir, en «características» (features) que describen el estado de salud del equipo y que el modelo puede aprovechar.

Piensa en un buen técnico veterano que se acerca a una bomba y, con solo escucharla y tocar la carcasa, dice que algo no va bien. Lo que hace es procesar mentalmente señales, compararlas con lo que ha visto durante años y extraer conclusiones. El feature engineering consiste en traducir esa intuición experta a magnitudes medibles. En el caso de un rodamiento, en lugar de entregar al modelo la señal de aceleración completa, se calculan valores como el nivel global de vibración, la energía concentrada en las frecuencias características de cada tipo de defecto (pista interna, pista externa, elementos rodantes o jaula) o el grado en que la señal presenta impactos bruscos, algo típico de un daño incipiente. En una bomba centrífuga, se puede calcular la diferencia entre la presión de entrada y de salida, la relación entre la corriente del motor y el caudal, o cuánto se ha desviado la temperatura del cojinete respecto a lo que sería normal para la carga y la temperatura ambiente de ese momento. Son los mismos datos, pero ahora cuentan una historia que el modelo puede entender.

Por qué es más decisivo aquí que en cualquier otro campo

En mantenimiento predictivo confluyen varias dificultades que hacen que la calidad de las características pese aún más que en otros ámbitos. La primera es que los fallos, afortunadamente, son raros. Una máquina bien mantenida puede funcionar años sin una avería grave, de modo que los ejemplos de fallo disponibles para entrenar un modelo son muy pocos. Con tan pocos casos, un algoritmo no puede «descubrir» por sí solo qué señales anticipan la avería, y necesita que alguien le haya servido en bandeja indicadores que ya están cerca de la física del problema.

La segunda dificultad es que la degradación de un activo es un proceso gradual y sutil. Los ingenieros de mantenimiento lo representan con la conocida curva P-F, que muestra el intervalo entre el punto en que un fallo potencial empieza a ser detectable y el punto en que se convierte en fallo funcional. La utilidad de un sistema predictivo depende de detectar señales dentro de ese intervalo, y esas señales tempranas suelen ser mínimas y estar enterradas bajo el ruido y bajo las variaciones normales de operación. Solo unas características bien diseñadas, elegidas con conocimiento de cómo falla realmente ese componente, son capaces de hacerlas visibles con antelación suficiente.

La tercera dificultad es el contexto operativo. Una máquina no funciona siempre igual: cambia la carga, la velocidad, el producto procesado, la temperatura ambiente, la fase del proceso. Un aumento de vibración puede ser una señal de alarma o simplemente el resultado de que hoy la máquina trabaja a más régimen. Un modelo que no distingue entre ambas cosas genera falsas alarmas continuas, y unas pocas falsas alarmas bastan para que los técnicos dejen de confiar en el sistema y este acabe abandonado. Corregir estos efectos, normalizando las medidas según el régimen de trabajo, es una tarea de ingeniería de características que solo puede hacer alguien que entiende el equipo.

En qué etapa de un proyecto de mantenimiento predictivo con IA/ML se sitúa

Un proyecto de PdM bien planteado no empieza con los datos, sino con el análisis de criticidad y con el estudio de modos de fallo, mediante herramientas conocidas por cualquier ingeniero de fiabilidad como el AMFE (o FMEA) y el mantenimiento centrado en la fiabilidad. Primero se decide qué equipos merecen ser vigilados, qué formas de fallar tienen y qué síntomas físicos producen cada una de ellas. Después se define la instrumentación necesaria, se recogen los datos de sensores, de control de proceso y del sistema de gestión de mantenimiento (CMMS), y se revisa su calidad.

El feature engineering ocupa el siguiente paso, justo entre esa recogida de datos y el entrenamiento del modelo. En el marco de referencia de la norma ISO 13374 sobre monitorización de condición, corresponde a la etapa de tratamiento de datos, donde de la señal en bruto se extraen los indicadores que alimentarán la detección de anomalías, el diagnóstico del tipo de fallo y el pronóstico de la vida útil remanente. A partir de ahí llegan el modelo, su validación y, por último, la integración en la operación real, que solo tiene sentido si la predicción termina convertida en una orden de trabajo y en una decisión de intervención.

Como en cualquier proyecto de aprendizaje automático, no se trata de una fase que se cierra y se olvida. Cada vez que el modelo falla, sea porque no detectó una avería o porque dio una falsa alarma, la revisión del caso suele revelar qué información faltaba, y eso conduce a diseñar una nueva característica. Además, tras la puesta en marcha hay que seguir cuidándolas: si se cambia un sensor, se sustituye un componente o se modifica el proceso, el comportamiento normal de la máquina cambia y los indicadores deben revisarse.

Los errores que arruinan un proyecto

Hay trampas típicas que conviene conocer. La más peligrosa es la fuga de información, que ocurre cuando el modelo recibe, sin que nadie lo advierta, datos que en la vida real no tendría en el momento de predecir. En mantenimiento es fácil caer en ella: por ejemplo, si se usan como característica las órdenes de trabajo o las paradas registradas alrededor de una avería, el modelo parecerá adivinar el fallo con una precisión asombrosa, pero solo porque está viendo las consecuencias del fallo, no sus señales previas. El resultado en el laboratorio es espectacular y en la planta, inservible.

Otro error frecuente es confiar en unos registros de fallos de mala calidad. Si en el CMMS las averías están mal clasificadas, las fechas son aproximadas o no se distingue entre una parada por avería y una por mantenimiento programado, el modelo aprenderá sobre etiquetas equivocadas. Por eso, revisar y depurar el historial de fallos es tan importante como cualquier cálculo. Por último, es habitual validar mal los modelos, mezclando al azar datos del mismo equipo entre entrenamiento y prueba, lo que infla los resultados. Lo correcto es probar el modelo con equipos o periodos que no ha visto nunca, como ocurrirá en la realidad.

Cómo desarrollar esta competencia siendo ingeniero de mantenimiento

La ventaja de partida es enorme: lo más difícil de aprender, que es entender cómo y por qué falla un equipo, ya forma parte del bagaje del ingeniero de mantenimiento. El camino consiste en reforzar ese conocimiento y añadirle las herramientas para expresarlo en forma de datos.

Lo primero es profundizar en las técnicas de monitorización de condición, sobre todo en el análisis de vibraciones, que es la base de las características más potentes en maquinaria rotativa, y en su complemento con termografía, análisis de aceites, ultrasonidos y análisis de la corriente del motor. Las certificaciones en análisis de vibraciones conforme a la norma ISO 18436 son una buena vía, porque obligan a comprender qué significa cada frecuencia y cada patrón. Junto a esto, conviene dominar la ingeniería de fiabilidad: modos de fallo, análisis de Weibull, criticidad y estrategias de mantenimiento, pues es lo que permite decidir qué características merecen la pena para cada modo de fallo.

Lo segundo es adquirir soltura técnica con los datos, sin necesidad de convertirse en programador experto. Con un manejo razonable de Python y de SQL, y unas nociones de procesamiento de señales, un ingeniero puede calcular indicadores, compararlos con el historial de averías y comprobar por sí mismo si realmente anticipan los fallos. Existen además conjuntos de datos públicos de degradación de rodamientos y de motores que permiten practicar sin esperar a tener un caso propio.

Lo tercero es practicar con casos reales, empezando por un solo activo crítico con buen historial de fallos. Conviene revisar cada avería pasada volviendo hacia atrás en los datos, preguntándose qué se veía en las semanas previas y qué indicador lo habría mostrado. Este ejercicio de «autopsia hacia atrás» es la mejor escuela de feature engineering en mantenimiento. También es recomendable documentar cada característica con su significado físico, para que el conocimiento no quede encerrado en un script y otros compañeros puedan entenderlo, criticarlo y mejorarlo.

Por último, el ingeniero de mantenimiento debe aprender a hablar el idioma del equipo de ciencia de datos y a la vez hacerse entender por él. Ese papel de traductor, que explica a los analistas cómo se comporta el equipo y a los técnicos qué está diciendo el modelo, es hoy uno de los perfiles más valiosos y más escasos.

El conocimiento del activo no se puede automatizar

Es verdad que existen herramientas que generan características de forma automática y modelos capaces de extraer patrones directamente de las señales. Pero, cuando los fallos son escasos, los equipos diversos y los datos imperfectos, que es la situación habitual en la industria, ninguna herramienta sustituye a quien sabe qué se rompe, cómo y por qué. La automatización ayuda a probar más ideas con más rapidez, pero las buenas ideas siguen naciendo del conocimiento del activo.

En resumen, el mantenimiento predictivo con IA/ML no se gana con el algoritmo más sofisticado, sino con los mejores indicadores de salud. Y esos indicadores solo pueden diseñarlos quienes conocen la máquina a fondo. Por eso el feature engineering no es una tarea ajena que se delega al departamento de datos, sino la forma en que la ingeniería de mantenimiento pone su experiencia al servicio de la inteligencia artificial, y probablemente la razón por la que unos proyectos de PdM funcionan y otros no.

Por: Héctor René Alvarez