El mantenimiento predictivo con IA en los equipos de almacén ha pasado, en los últimos dos años, de ser una cuestión de si se puede hacer a una cuestión de si merece la pena hacerlo, y ese cambio en sí merece atención antes de cualquier discusión sobre modelos o sensores. En septiembre de 2024, el responsable de equipos de un almacén de comercio electrónico en el este de China describió una escena que desde entonces se me ha hecho familiar: se habían instalado sensores de vibración en los motores de las cintas transportadoras, el sistema emitió más de cien avisos en tres meses, el equipo de mantenimiento investigó cada uno al principio, no encontró nada malo en nueve de cada diez casos, y luego dejó de responder por completo, hasta que se agarrotó el rodamiento de accionamiento de un clasificador y toda la línea se detuvo durante la mayor parte de un día. La lección de ese caso no tiene que ver con el algoritmo. Tiene que ver con lo rápido que se erosiona la confianza cuando los avisos pierden credibilidad, porque un sistema en el que nadie cree es, a efectos prácticos, ningún sistema.

El mantenimiento predictivo con IA en la práctica: cuando más alarmas significan menos confianza

Según los registros de campo publicados, los proyectos predictivos basados únicamente en sensores han registrado tasas de falsos positivos de 30 a 40 por ciento en su primer trimestre, y los equipos de mantenimiento dejaron de responder a las alertas en seis meses, y esas cifras apuntan a un cuello de botella que los proveedores rara vez anuncian: el primer límite del mantenimiento predictivo suele ser la aceptación organizativa más que la precisión predictiva. El mantenimiento predictivo con IA suele venderse por sus tasas de detección, mientras que el coste de una falsa alarma queda fuera del discurso comercial. Una falsa alarma es una inspección innecesaria, una pieza de repuesto emitida por error y un depósito más en una cuenta creciente de desconfianza, y cuando se acumulan suficientes depósitos, incluso un aviso realmente valioso se descarta como ruido. En febrero de 2025, un almacén de logística de terceros en el norte de China mostró el mismo patrón desde el otro lado: los sensores de temperatura de los motores de las grúas apiladoras cruzaron sus límites repetidamente durante dos semanas, la mayoría de los cruces se debieron a oscilaciones de la temperatura ambiente y a cambios de carga, y el equipo elevó el umbral para silenciar el sistema, perdiendo un aumento lento de temperatura en el rodamiento de un motor justo en la semana en que se elevó el umbral.

La lógica detrás de este patrón es completa y merece seguirse hasta el final: los sensores registran magnitudes físicas, las fluctuaciones de esas magnitudes pueden provenir de la degradación del equipo o de cambios en las condiciones de funcionamiento, y un modelo que no sabe distinguir ambas cosas tratará un cambio en las condiciones de funcionamiento como un aviso de fallo; los técnicos que no saben por qué un modelo ha generado una alarma tratarán el modelo como una caja negra poco fiable; y una caja negra que se equivoca con suficiente frecuencia simplemente se dejará de lado. De ahí se deduce que el primer paso al implantar el mantenimiento predictivo no es buscar una mayor tasa de detección, sino encontrar un equilibrio entre falsas alarmas y fallos no detectados con el que una organización pueda vivir durante años, y realimentar cada resultado de alarma al modelo para que se vuelva poco a poco más preciso con la retroalimentación real.

Señales del mantenimiento predictivo con IA: qué pueden decirnos la vibración, la temperatura y la corriente

La vibración, la temperatura y la corriente son las tres señales más utilizadas en los equipos de almacén, y su valor no es igual, ni sirven para las mismas máquinas. La vibración es la más sensible: el desgaste de rodamientos, el desequilibrio y la desalineación dejan cada uno una firma en el espectro de vibración, a menudo semanas antes de que el fallo se vuelva audible o visible, lo que la hace muy adecuada para equipos rotativos y componentes de cintas transportadoras de alta velocidad. La temperatura es la más intuitiva: la falta de lubricación, la sobrecarga del motor y una refrigeración deficiente se manifiestan primero como un aumento de temperatura, lo que la hace adecuada para motores, cajas de engranajes y armarios eléctricos, aunque los cambios de temperatura van por detrás del fallo subyacente y, usada sola, pierde fácilmente las señales tempranas. El análisis de la firma de corriente es el menos intrusivo: al leer anomalías en la forma de onda de corriente de un motor, puede revelar problemas de carga y de rotor sin instalar ningún sensor en la máquina, lo que conviene a equipos antiguos que ya tienen medición instalada y no pueden detenerse fácilmente para instalar sensores.

Señal Qué detecta bien Limitación principal Más adecuada para
Vibración Desgaste de rodamientos, desequilibrio, desalineación Sensible a la posición de montaje y a las condiciones de funcionamiento Clasificadores, cintas transportadoras, partes giratorias de grúas apiladoras
Temperatura Sobrecarga, pérdida de lubricación, fallo de refrigeración Cambia despacio, señal temprana débil Motores, cajas de engranajes, armarios eléctricos
Corriente Anomalías de carga, problemas de rotor La extracción de características es exigente y necesita contexto operativo Motores antiguos donde instalar sensores es difícil

Según los puntos de referencia recopilados a partir de las orientaciones del Departamento de Energía de los Estados Unidos, el mantenimiento predictivo puede ahorrar de 8 a 12 por ciento del coste total de propiedad en comparación con el mantenimiento preventivo, y de 30 a 40 por ciento en comparación con el mantenimiento reactivo, de funcionamiento hasta el fallo, y la brecha entre esas dos cifras lleva un mensaje importante: el retorno depende en gran medida de lo que el almacén hacía antes, por lo que un centro cuyo mantenimiento programado ya funciona bien debería esperar solo ganancias adicionales modestas.

Consideremos un ejemplo ilustrativo para poner cifras a la decisión. Tomemos un almacén mediano con 200 máquinas rotativas críticas. Este es un ejemplo ilustrativo, no un caso medido. Supongamos que el servicio programado cuesta unos 2,000 yuanes por máquina al año, y que el tiempo de inactividad no planificado cuesta unos 20,000 yuanes por hora. Si el mantenimiento predictivo reduce las paradas no planificadas de 10 al año a 6, el ahorro ilustrativo es de unos 80,000 yuanes al año en tiempo de inactividad evitado, antes de restar los costes de sensores, plataforma y mano de obra.

Compromisos del mantenimiento predictivo con IA: las falsas alarmas y los fallos no detectados no pueden llegar ambos a cero

Las falsas alarmas y los fallos no detectados forman una pareja que no puede llevarse ambas a cero, porque relajar un umbral reduce los fallos no detectados mientras aumenta las falsas alarmas, y endurecerlo hace lo contrario. Según un hallazgo ampliamente citado de un estudio de seguimiento de McKinsey de 2021, una tasa de falsos positivos de 10 por ciento puede anular por completo las ganancias económicas esperadas de un proyecto predictivo, y aunque esa cifra puede no trasladarse exactamente a todos los almacenes, la dirección que señala es clara: las falsas alarmas no son una molestia menor, sino un coste que consume el retorno directamente. Por tanto, el umbral adecuado debe fijarse según la consecuencia del fallo: para una grúa apiladora o un compresor de almacenamiento en frío, donde una parada altera todo el almacén, es mejor aceptar varias falsas alarmas que pasar por alto un fallo real, mientras que para una sección ordinaria de cinta transportadora o una unidad de reserva, donde una parada importa poco, el umbral puede relajarse primero para proteger la credibilidad del flujo de alarmas.

En junio de 2024, un almacén de cadena de frío en el sur de China ofreció un caso de referencia útil para sus compresores de refrigeración: una alarma de alto nivel solo se disparaba cuando la vibración y la temperatura cruzaban sus límites juntas, un cruce de una sola señal se registraba como un elemento de observación, y en tres meses hubo 7 alarmas de alto nivel, de las cuales 5 revelaron problemas reales y 2 fueron vacías. La madurez de un programa de mantenimiento predictivo, entonces, se mide no por cuántos fallos informa el modelo, sino por si la organización puede permitirse sus falsas alarmas y convierte cada una en insumo para la siguiente ronda, más precisa.

Fundamentos del mantenimiento predictivo con IA: el trabajo lento antes del mantenimiento bajo demanda

Pasar del servicio programado al mantenimiento bajo demanda depende menos del algoritmo que de si el flujo de datos y el flujo de trabajo de mantenimiento están listos. Según la experiencia de campo publicada, un programa predictivo eficaz suele necesitar de 12 a 18 meses de datos de referencia antes de que el algoritmo alcance una precisión fiable, un coste de tiempo que debe escribirse en el plan del proyecto al inicio en lugar de descubrirse tres meses después del lanzamiento, cuando nada ha mejorado. En el lado de los datos, importan tres condiciones: si la vibración, la temperatura y la corriente se muestrean de forma continua, si los registros de mantenimiento se han digitalizado, y si las etiquetas de fallo provienen de resultados de mantenimiento verificados en lugar de impresiones anotadas después. Si falta alguna de ellas, el modelo aprende de un historial ruidoso.

Por tanto, la secuencia de implantación debe ser escalonada: primero consolidar el flujo de datos y los registros de mantenimiento digitalizados, luego hacer un piloto en un pequeño número de máquinas críticas de alta consecuencia, usar alarmas graduadas con revisión humana para acumular etiquetas, y solo expandirse por todo el almacén una vez que la tasa de falsas alarmas y el ciclo cerrado de retroalimentación sean ambos estables. Esa secuencia parece lenta, pero es el camino que los casos publicados asocian con la mayor tasa de éxito. El camino opuesto, comprar una plataforma antes de que los datos estén listos, desplegarla por todo el almacén antes de pilotar, y dejar que el modelo emita órdenes de trabajo sin revisión humana, suele terminar en fatiga de alarmas en seis meses, con un gasto considerable y la confianza colapsando primero.

El juicio de tendencia aquí sigue pidiendo contención: el mantenimiento predictivo con IA en los equipos de almacén seguirá expandiéndose, pero es más probable que la expansión se consolide primero en máquinas de alto valor donde el tiempo de inactividad es caro, y solo después se extienda lentamente al equipo ordinario. En los próximos dos a tres años, lo que separe a los almacenes puede no ser quién compró un modelo primero, sino quién construyó primero una calidad de datos sólida, retroalimentación de etiquetas y un ciclo cerrado de gestión de alarmas. La pregunta abierta es si la próxima alarma se revisará de inmediato o se descartará de un vistazo.

Por Dr. Chen, Investigador de la cadena de suministro Traducido del inglés. En caso de discrepancia, prevalece la versión en inglés.