El mantenimiento predictivo — predecir fallos de equipos antes de que ocurran — es una de las aplicaciones de Industria 4.0 con ROI medible más claro. Curiosamente, la mayoría de proyectos exitosos en 2023 no usan deep learning. Usan machine learning clásico bien diseñado: random forests, SVM, modelos de supervivencia. Entender por qué es útil para no caer en la trampa del “todo con redes neuronales”.
El problema típico
Un equipo industrial (motor, bomba, compresor) tiene sensores midiendo vibración, temperatura, presión, consumo eléctrico. La pregunta es: ¿cuándo fallará? Variantes:
- Clasificación binaria: “¿fallará en la próxima semana?”
- Regresión: “¿cuántos días hasta el siguiente fallo?”
- Supervivencia: “¿cuál es la probabilidad de fallo acumulada en el tiempo?”
Cada formulación requiere tratamiento distinto, pero todas se resuelven sin deep learning en la mayoría de casos.
Por qué ML clásico gana aquí
Tres razones por las que deep learning no es la respuesta primera:
- Volumen de datos limitado. Una planta industrial tiene quizás 50-500 equipos con historial de fallos. Deep learning necesita miles de ejemplos etiquetados para brillar; con 200 fallos documentados, un random forest generaliza mejor.
- Interpretabilidad. El operador de mantenimiento pregunta “¿por qué crees que va a fallar?”. Los features de un random forest son directamente interpretables (“aumento de vibración en banda 120-200Hz”). Una red neuronal es un oráculo.
- Infraestructura edge. Los modelos suelen ejecutarse en controladores en la planta, no en el cloud. Un árbol de decisión ocupa KB, corre en microsegundos; una red neuronal requiere GPU o aceleración dedicada.
Feature engineering, lo que realmente importa
El 80% del éxito de un modelo de mantenimiento predictivo está en los features, no en el algoritmo. Features útiles a partir de señales de vibración:
- Estadísticas en dominio temporal: media, varianza, skewness, kurtosis, valor RMS, factor de cresta.
- Dominio frecuencial: energía en bandas específicas (FFT + integración). Los rodamientos defectuosos introducen frecuencias características.
- Envolvente de Hilbert: técnica clásica para extraer modulación de alta frecuencia, útil para defectos incipientes.
- Ratios y trends: vibración actual / baseline del equipo en sano, pendiente de crecimiento en los últimos 30 días.
Un random forest sobre estos features bien extraídos supera en casos típicos a una CNN sobre las series crudas — porque las CNN tienen que reaprender lo que ya sabemos por física.
Modelos de supervivencia
Para equipos donde “tiempo hasta fallo” es la métrica relevante, los modelos de supervivencia son mejores que clasificación binaria:
- Modelo de Cox de riesgos proporcionales: clásico de bioestadística, funciona bien aquí. Asume que los features ajustan proporcionalmente el riesgo base.
- Random Survival Forests: extensión del random forest para datos censurados (equipos que todavía no han fallado).
- Weibull Accelerated Failure Time: asume distribución paramétrica de tiempo hasta fallo, útil cuando tienes supuestos de fiabilidad bien fundados.
Librerías como lifelines y scikit-survival hacen estos modelos accesibles con APIs familiares.
Despliegue realista
Un pipeline típico de producción:
- Edge gateway en la planta recibe datos de sensores vía Modbus/OPC-UA/MQTT.
- Agregación local: extrae features cada 5-15 minutos en una ventana deslizante.
- Inferencia local con modelo previamente entrenado (formato ONNX o joblib serializado).
- Alerta a SCADA/CMMS cuando la probabilidad de fallo supera umbral, con recomendación de inspección.
- Feedback loop: registrar si el fallo ocurrió o no, alimentar a reentrenamiento mensual.
Este flujo corre con ~50 MB de RAM en el edge, no requiere GPU, y es totalmente auditable.
Cuándo sí compensa deep learning
Casos donde deep learning aporta sobre ML clásico:
- Sensores no estructurados: imágenes de cámaras termográficas, audio de vibración continua a alta frecuencia. CNNs/RNNs extraen patrones donde feature engineering es más costoso.
- Volúmenes masivos: flota de 10.000+ equipos con telemetría continua. El deep learning escala, el random forest empieza a sobresaturar memoria.
- Transfer learning entre plantas: un modelo preentrenado en una flota puede adaptarse con menos datos de otra. Difícil con árboles.
Pero estos casos son la minoría. El 80% de proyectos de mantenimiento predictivo se resuelven con ML clásico bien hecho.
Ver también nuestra cobertura de la revolución de la Industria 4.0 y gemelos digitales industriales.
Conclusión
El hype sobre deep learning tiende a obscurecer que el mantenimiento predictivo es un problema bien resuelto con técnicas clásicas. Equipos que adoptan ML clásico primero obtienen valor antes, con menor inversión en datos e infraestructura, y con modelos que el personal de planta entiende. Deep learning queda reservado para casos genuinamente complejos.
Síguenos en jacar.es para más sobre Industria 4.0, ML aplicado e IIoT.
