Una parada no planificada en una línia de producció industrial costa de mitjana entre 5.000 i 15.000 euros per hora. El problema no és la fallada en si: és que la majoria de vegades la fallada era previsible setmanes abans i ningú ho va detectar.
El manteniment predictiu amb IA resol exactament aquest problema. Però hi ha moltes maneres de fer-ho malament: sensors cars que requereixen parar la màquina, integracions complexes amb sistemes SCADA, models genèrics que no s'adapten a la maquinària específica de la planta. Aquesta guia explica com fer-ho bé.
Per què el manteniment preventiu ja no és suficient
El manteniment preventiu —canviar peces cada X hores o cada X mesos— té dos problemes fonamentals. Primer, canvies peces que encara funcionen bé (cost innecessari). Segon, no evita les fallades sobtades: una màquina pot fallar el dia després del manteniment programat.
El manteniment predictiu mesura l'estat real de la màquina en temps real i prediu quan fallarà basant-se en patrons. No en calendaris. En dades.
Els tres pilars tècnics
1. Sensorització no invasiva
El primer error que comet la majoria d'empreses és intentar renovar tota la maquinària o instal·lar sensors que requereixen modificar les màquines. No cal. Existeixen sensors de vibració, temperatura, consum elèctric i pressió que s'instal·len externament, sense tocar l'interior de la màquina i sense aturar la producció.
Per a una línia de producció típica de manufactura industrial, 4–6 sensors per màquina crítiques és suficient per obtenir senyal de qualitat. El cost de la sensorització representa menys del 15% del cost total del projecte.
2. Edge computing o cloud privada
Les dades de sensors generen molt de volum. Enviar-ho tot al cloud és car i introdueix latència. La solució òptima per a la majoria de plantes industrials és edge computing local: un dispositiu a la mateixa planta que processa les dades en temps real i envia al cloud únicament les alertes i els agregats.
Això redueix el cost de transmissió de dades en un 80% i garanteix que el sistema funcioni fins i tot si hi ha problemes de connectivitat.
3. Model LSTM per a detecció d'anomalies
Les xarxes neuronals LSTM (Long Short-Term Memory) són especialment eficients per a sèries temporals com les generades per sensors industrials. El model s'entrena amb les dades de la màquina en bon estat i aprèn quin és el comportament "normal". Quan detecta una desviació significativa, genera una alerta.
La clau és entrenar el model amb dades específiques de la maquinària de la planta, no amb models genèrics. Un model genèric pot tenir un 60% de falsos positius; un model ben entrenat baixa al 5–8%.
El procés d'implantació pas a pas
Setmana 1–2: Auditoria de maquinària crítica. Identifiquem les 3–5 màquines que, si fallen, paralitzen la producció o generen el cost més alt. No cal sensoritzar-ho tot el primer dia.
Setmana 3–4: Instal·lació de sensors. Instal·lació no invasiva sense aturar la producció. Configuració del sistema d'edge computing local. Primera recollida de dades de base.
Setmana 5–8: Entrenament del model. Recollim dades de funcionament normal. Etiquetem incidències passades amb registres de manteniment. Entrenem el model LSTM adaptat a cada màquina.
Setmana 9–12: Posada en marxa i calibratge. Activem el sistema en mode observació, sense alertes automàtiques, per validar la precisió. Ajustem els llindars. Activem alertes a l'equip de manteniment.
Resultats realistes en 90 dies
Amb una implantació correcta, els resultats esperables als primers 90 dies de funcionament real (no de prova) són:
- Reducció de parades no planificades: 50–70%
- Reducció del cost de manteniment correctiu: 30–45%
- Extensió de la vida útil de components: 15–25%
- ROI positiu: entre el mes 4 i el mes 7, depenent del cost base de les parades
El factor crític per assolir aquests resultats no és la tecnologia: és tenir registres de manteniment detallats dels últims 12–18 mesos per entrenar el model. Les empreses sense registres han de comptar amb un període de calibratge més llarg.
Quan NO té sentit implantar manteniment predictiu
El manteniment predictiu no té sentit en tots els casos. No és rendible si la maquinària és de baix cost i de fàcil substitució, si la producció és molt irregular (poques hores de funcionament per setmana), o si no hi ha registres mínims de manteniment.
En canvi, és especialment adequat per a línies de producció contínua, maquinària de rotació (motors, compressors, ventiladors), i processos on una parada afecta tota la cadena productiva.
El manteniment predictiu no requereix canviar la maquinària ni aturar la producció. Amb 4–6 sensors no invasius per màquina crítica i un model entrenat amb les teves dades, el sistema pot estar operatiu en 12 setmanes i rendible en menys de 6 mesos.
