Cómo usar sensores baratos para evitar paradas de maquinaria que cuestan miles de euros

El sonido metálico de una máquina que se detiene sin previo aviso es la pesadilla de todo jefe de mantenimiento. No es solo la parada en sí, es la cascada de problemas que desencadena: retrasos en la producción, costes de reparación imprevistos y la frustración de un equipo que vuelve a trabajar en modo «bombero». En un mundo que habla constantemente de Industria 4.0, Big Data e Inteligencia Artificial, estas promesas a menudo suenan lejanas y caras, desconectadas de la realidad de una fábrica con equipos que llevan décadas funcionando.

La tentación es pensar que la única solución es una renovación completa, una inversión masiva que la mayoría de las empresas no pueden o no quieren afrontar. Pero, ¿y si la verdadera clave no estuviera en la tecnología más cara, sino en una aplicación más inteligente de la tecnología asequible? El mantenimiento predictivo no es una caja mágica que se compra e instala. Es una disciplina, una serie de decisiones de ingeniería pragmáticas centradas en el retorno de la inversión (ROI). Se trata de entender los principios fundamentales para extraer valor de los datos, en lugar de ahogarse en ellos.

Este artículo abandona las generalidades para centrarse en los desafíos reales que enfrenta un responsable de planta. Exploraremos cómo filtrar las falsas alarmas que minan la confianza en el sistema, cómo elegir la tecnología de conectividad correcta para un entorno industrial hostil y cómo modernizar de forma no invasiva un torno de 1990 para que hable el mismo idioma que el ERP. El objetivo es proporcionar una hoja de ruta práctica para pasar de la teoría a la acción, demostrando que la prevención de averías costosas está al alcance de cualquier presupuesto, siempre que se aborde con una mentalidad de ingeniero.

A lo largo de este análisis, desglosaremos las decisiones críticas que marcan la diferencia entre un proyecto de IIoT exitoso y un costoso experimento fallido. El siguiente sumario detalla el recorrido que haremos, desde la capa física de los sensores hasta la simulación estratégica de la planta.

¿Por qué sus sensores de temperatura dan falsas alarmas y cómo filtrar el ruido eléctrico?

El primer obstáculo para la confianza en un sistema de mantenimiento predictivo son las falsas alarmas. Un sensor que alerta de un sobrecalentamiento inexistente no solo provoca paradas innecesarias, sino que erosiona la credibilidad de toda la estrategia. La causa más común no es un sensor defectuoso, sino la incapacidad para distinguir la señal real del «ruido» del entorno industrial. Este ruido puede ser interferencia electromagnética de motores cercanos, variaciones normales del ciclo de trabajo de la máquina o umbrales de alerta demasiado simplistas y estáticos.

Establecer un umbral fijo, por ejemplo, 80°C, es una receta para el desastre. Una máquina puede alcanzar picos de 82°C de forma segura durante su arranque, lo que generaría una alerta inútil. El verdadero enfoque predictivo no se basa en límites absolutos, sino en la detección de anomalías respecto al comportamiento normal. Afortunadamente, este es un problema bien conocido cuya solución ha madurado. De hecho, los algoritmos avanzados de IA son capaces de reducir drásticamente estas incidencias, ya que mejoran la toma de decisiones al diferenciar patrones normales de desviaciones significativas.

La solución pasa por implementar una estrategia de «filtrado de ruido» inteligente. Esto implica pasar de umbrales fijos a umbrales dinámicos que se adaptan al estado de la máquina (en funcionamiento, en reposo, en ciclo de limpieza). Además, se deben aplicar técnicas de machine learning que aprendan el «ritmo cardiaco» normal de cada activo para identificar solo las desviaciones que realmente indican un problema incipiente. Esto transforma los datos brutos en inteligencia accionable.

LoRaWAN o NB-IoT: ¿qué tecnología traspasa mejor las paredes de hormigón de una fábrica?

Una vez que los sensores son fiables, el siguiente desafío es hacer llegar sus datos desde el corazón de la fábrica hasta el sistema de análisis. Los entornos industriales, con sus gruesas paredes de hormigón, estructuras metálicas y ruido electromagnético, son un campo de batalla para las señales inalámbricas. Tecnologías como Wi-Fi o Bluetooth a menudo no son suficientes. La elección se reduce a dos titanes de la conectividad de bajo consumo y largo alcance (LPWAN): LoRaWAN y NB-IoT.

Ambas tecnologías son excelentes, pero responden a filosofías y modelos de coste diferentes. LoRaWAN permite crear una red privada y soberana. Con la compra de uno o varios gateways, se obtiene cobertura en toda la planta sin costes mensuales de suscripción. Es ideal para zonas extensas o con mala cobertura celular. Por otro lado, NB-IoT utiliza la infraestructura de las operadoras de telefonía móvil existentes, lo que elimina la inversión inicial en gateways, pero implica un coste recurrente por cada tarjeta SIM. Generalmente, NB-IoT ofrece una penetración ligeramente superior en interiores profundos y sótanos, aprovechando la potencia de las redes celulares.

La elección depende de un análisis de coste-beneficio. ¿Se prefiere un mayor coste inicial (CAPEX) con LoRaWAN para eliminar los costes operativos (OPEX)? ¿O se prefiere un OPEX recurrente con NB-IoT a cambio de una inversión inicial nula y una gestión de red delegada al operador? La siguiente tabla resume los puntos clave para esta decisión crucial.

El riesgo de conectar PLCs antiguos a internet sin una pasarela segura

Muchas fábricas operan con Controladores Lógicos Programables (PLCs) que son auténticos caballos de batalla: fiables, robustos, pero diseñados en una era en la que la ciberseguridad industrial no era una preocupación. Conectar estos PLCs antiguos directamente a la red de la empresa o a Internet para extraer datos es el equivalente a dejar la puerta de la fábrica abierta de par en par. Estos dispositivos carecen de los mecanismos de seguridad modernos, como el cifrado o la autenticación, convirtiéndose en el eslabón más débil de la cadena de producción.

El riesgo no es teórico. Un atacante que acceda a un PLC puede no solo robar datos de producción, sino también alterar su funcionamiento, provocando una parada de la maquinaria, una avería física o, en el peor de los casos, un accidente laboral. El problema es que la red de tecnología de operaciones (OT), donde viven los PLCs, y la red de tecnología de la información (IT), conectada a Internet, operan bajo principios distintos. La prioridad en OT es la disponibilidad y la integridad; en IT, la confidencialidad. Unirlas sin un intermediario es una receta para el desastre. Como bien apunta un experto:

En un entorno industrial, el router no es solo la conexión a internet, sino el ‘guardia fronterizo’ entre la red de producción (OT) y el mundo exterior (IT/Internet)

– Experto en ciberseguridad industrial, Análisis de seguridad en automatización industrial

La solución es interponer una pasarela de seguridad IIoT (Gateway). Este dispositivo actúa como un traductor y un vigilante. Por un lado, se comunica con el PLC en su protocolo nativo (Modbus, Profibus, etc.) de forma segura y aislada. Por otro, empaqueta y cifra los datos para enviarlos a la red IT o a la nube. Esta «zona desmilitarizada» (DMZ) de hardware garantiza que ninguna amenaza externa pueda alcanzar el corazón de la maquinaria, permitiendo la extracción de datos sin comprometer la operación.

Cómo analizar vibraciones en la propia máquina para no saturar el ancho de banda de la nube

Los sensores de vibración son los estetoscopios del mantenimiento predictivo. Analizando su espectro de frecuencias (FFT), pueden detectar desequilibrios, desalineaciones o fallos en rodamientos semanas o meses antes de que se produzca una avería catastrófica. Sin embargo, estos datos son extremadamente densos. Enviar el espectro completo de vibraciones de cientos de motores a la nube cada pocos segundos es una forma segura de saturar cualquier red y disparar los costes de almacenamiento y procesamiento en la nube.

Aquí es donde entra en juego el concepto de «Edge Computing» o inteligencia distribuida. En lugar de enviar todos los datos brutos a un cerebro centralizado, el análisis primario se realiza en el «borde» de la red, es decir, en el propio sensor o en una pasarela local cercana a la máquina. El sistema solo envía a la nube una pequeña fracción de la información: una alerta, un indicador clave (KPI) de salud, o el espectro completo únicamente cuando se detecta una anomalía real. Esto reduce el volumen de datos transmitidos en más de un 99%.

Esta estrategia no solo ahorra costes, sino que permite una respuesta más rápida. Un ejemplo práctico es el de la empresa SORPA, que implementó esta técnica. En un incidente, un sensor de vibración detectó una anomalía en un transportador, lo que permitió identificar y reparar una tuerca floja antes de que causara un fallo mayor, todo ello procesando los datos localmente. El modelo más eficaz es un análisis en cascada: el sensor calcula un valor simple (como el RMS de la vibración) y, solo si este supera un umbral, se activa un análisis FFT más complejo en la pasarela local. El conjunto completo de datos solo viaja a la nube para un análisis profundo si la pasarela confirma una anomalía conocida.

Cuándo automatizar la orden de compra de repuestos basada en datos de sensores

El objetivo final del mantenimiento predictivo no es solo predecir un fallo, sino actuar antes de que ocurra. La automatización de la orden de compra de un repuesto cuando un sensor detecta un deterioro progresivo parece el paso lógico. Sin embargo, una automatización ciega puede ser tan perjudicial como la inacción. La decisión de automatizar debe basarse en una matriz que considere dos factores clave: la criticidad del componente y la predictibilidad del fallo.

No todos los componentes son iguales. Para un componente de bajo coste y no crítico (por ejemplo, un filtro de aire), cuya degradación es fácil de predecir, la automatización completa de la orden de compra tiene todo el sentido. Libera tiempo al personal de mantenimiento y asegura la disponibilidad del repuesto. Sin embargo, para un componente de alta criticidad, como un motor principal que puede detener toda una línea de producción, la automatización total es un riesgo. En estos casos, el sistema debería generar una «sugerencia de compra» que requiera validación humana.

El beneficio de implementar este tipo de estrategias es innegable. La capacidad de anticiparse a las averías y optimizar la gestión de inventarios tiene un impacto directo en la productividad y los costes. De hecho, un estudio muestra que hasta un 91% de las empresas reducen el tiempo de reparación y el tiempo de inactividad no planificado tras implementar una estrategia de mantenimiento predictivo. La clave está en aplicar la automatización de forma inteligente, como una herramienta de apoyo al juicio experto del equipo de mantenimiento, y no como un reemplazo ciego del mismo.

Cómo poner sensores inteligentes a un torno de 1990 para integrarlo en el ERP

Uno de los mayores mitos de la Industria 4.0 es que se necesita maquinaria nueva para ser «inteligente». La realidad es que gran parte del valor de una fábrica reside en equipos más antiguos, amortizados y perfectamente funcionales. La clave es el «retrofitting» no invasivo: añadir una capa de inteligencia a estas máquinas sin necesidad de modificar su mecánica o su control original. El objetivo es simple: hacer que la máquina «hable» y que sus datos lleguen al sistema de gestión de la empresa (ERP).

Digitalizar un torno de 1990 puede ser sorprendentemente sencillo y económico. No se trata de cambiar su PLC, sino de observar su comportamiento desde fuera. Por ejemplo, se puede instalar una pinza amperimétrica no invasiva en su cable de alimentación. Este sensor de corriente medirá cuándo la máquina está consumiendo energía, permitiendo saber con precisión sus horas de funcionamiento, sus tiempos de parada y su estado (ON/OFF). Este dato, por sí solo, es oro para calcular la Eficiencia General de los Equipos (OEE).

A esto se le puede sumar un sensor de vibración magnético adherido a la carcasa del motor. Estos dos sensores, que pueden costar menos de 100€ en un proyecto piloto, proporcionan una visibilidad que antes no existía. Los datos se pueden recoger con un microcontrolador económico como un ESP32, que los envía a una pasarela local (como una Raspberry Pi con Node-RED). Esta pasarela actúa como traductora, formateando los datos y enviándolos a la API del ERP para actualizar automáticamente los indicadores de producción y mantenimiento. Se trata de una integración de bajo coste y alto impacto.

¿Por qué un router sin actualizar es la puerta de entrada perfecta para el ransomware?

En el entorno industrial, el router que conecta la planta con el exterior es mucho más que un simple proveedor de acceso a Internet; es la primera y más importante línea de defensa de la red de operaciones (OT). Sin embargo, a menudo se instala y se olvida, funcionando durante años con su firmware de fábrica y sus contraseñas por defecto. Esta negligencia lo convierte en un objetivo prioritario para ataques de ransomware y otras amenazas cibernéticas.

Los ciberdelincuentes escanean constantemente Internet en busca de dispositivos industriales con vulnerabilidades conocidas. Un firmware sin actualizar en un router es un catálogo de puertas traseras a su disposición. Una vez que un atacante compromete el router, tiene acceso directo a la red OT. Desde ahí, puede moverse lateralmente para infectar PLCs, sistemas SCADA y servidores de producción, cifrando los datos y exigiendo un rescate para liberarlos. La parada de producción resultante puede costar cientos de miles o incluso millones de euros, un coste desproporcionado en comparación con el simple acto de mantener el firmware del router actualizado.

La seguridad debe ser proactiva. Esto implica cambiar las contraseñas por defecto por credenciales robustas y únicas, desactivar cualquier servicio de gestión remota que no sea estrictamente necesario y, fundamentalmente, establecer una política de actualización periódica del firmware. El router no es un equipo de «instalar y olvidar». Es un componente de seguridad crítico que debe ser gestionado con el mismo rigor que un firewall corporativo. Ignorarlo no es un ahorro, es una apuesta de alto riesgo contra la continuidad del negocio.

Cómo simular cambios en su fábrica antes de gastar un euro en máquinas nuevas

La decisión de invertir en una nueva máquina, que a menudo implica un CAPEX significativo, suele tomarse bajo presión para resolver un cuello de botella en la producción. Sin embargo, ¿es siempre la solución correcta? A veces, el problema no es la falta de capacidad de una máquina, sino la variabilidad del proceso: micro-paradas, tiempos de cambio de utillaje o fallos aguas arriba. Aquí es donde la simulación de procesos con datos reales del IIoT se convierte en una herramienta estratégica de un valor incalculable.

En lugar de basar las decisiones en suposiciones o en los datos teóricos del fabricante, un «gemelo digital» del proceso permite modelar el flujo de producción utilizando los datos históricos recopilados por los sensores IoT. Se pueden introducir las tasas de fallo reales, los tiempos medios de reparación (MTTR) y las micro-paradas que ocurren en el día a día. Con este modelo realista, se pueden probar escenarios hipotéticos: ¿Qué pasaría si, gracias al mantenimiento predictivo, reducimos las paradas no planificadas en un 20%? ¿Sería más rentable instalar un pequeño buffer de acumulación antes de la máquina cuello de botella que comprar una nueva?

Esta metodología permite comparar el ROI de diferentes estrategias antes de gastar un solo euro. La simulación puede revelar que una inversión mucho menor en fiabilidad o en un buffer puede tener el mismo impacto en la producción que una máquina nueva y costosa. Utilizar software de simulación de eventos discretos (como SimPy en Python o herramientas comerciales) alimentado con datos reales transforma la toma de decisiones de una apuesta a un análisis basado en la evidencia. Permite a los jefes de mantenimiento convertirse en estrategas, optimizando el capital y demostrando el valor de sus iniciativas con datos concretos.

Para aplicar estos conceptos y transformar su estrategia de mantenimiento, el primer paso es comenzar un proyecto piloto. Elija una máquina crítica pero no compleja, aplique técnicas de retrofitting no invasivas y demuestre el valor tangible de la predicción. Este enfoque pragmático y centrado en el ROI es el camino más seguro hacia una fábrica más inteligente y rentable.