MODO CONFIABILIDADDatos›Método›Decisión

Buscar en Modo Confiabilidad

↑ ↓ para moverse · Enter para abrir · Esc para cerrar

Vista previa dentro de un visor: aquí no funcionan las descargas, la impresión ni los enlaces de correo. En el sitio publicado funcionan.

Biblioteca técnica · Estrategias

Mantenimiento predictivo: técnicas, diagnóstico y pronóstico

Qué técnica detecta cada modo de falla, cómo fijar líneas base y alarmas, frecuencias de defecto de rodamientos, estimación de vida remanente y cómo integrar modelos de datos sin perder criterio de ingeniería.

Documento
CF-GU-07
Revisión
1 · 2026-10-15
Lectura
8 min
Normas de referencia
ISO 17359:2018 · ISO 13374-1:2003 · ISO 13381-1:2015 · ISO 20816-1:2016 · ISO 18436-2:2014

Fundamentos

El mantenimiento predictivo usa mediciones de la condición de un equipo para anticipar la falla y su momento. Es una forma de mantenimiento basado en condición que agrega una pieza: el pronóstico. No alcanza con saber que un rodamiento está dañado; se necesita estimar cuánto tiempo queda para planificar la intervención.

Las técnicas se eligen por el mecanismo de falla que pueden ver, no por su disponibilidad:

Técnica Mecanismos que detecta Equipos típicos Anticipación relativa
Vibraciones (velocidad, aceleración, envolvente) Desbalance, desalineación, holguras, defectos de rodamientos y engranajes Bombas, motores, compresores, ventiladores, reductores Alta en rodamientos con análisis de envolvente
Ultrasonido aéreo y estructural Fricción y falta de lubricación, pérdidas de gas, descargas eléctricas, pasaje de válvulas Rodamientos de baja velocidad, trampas de vapor, válvulas Muy alta en lubricación
Análisis de aceite Desgaste (partículas y metales), contaminación, degradación del lubricante Reductores, compresores, sistemas hidráulicos, transformadores Alta
Termografía infrarroja Conexiones flojas, desequilibrios eléctricos, aislación, obstrucciones Tableros, motores, intercambiadores, refractarios Media
Análisis de corriente del motor (MCSA) Barras de rotor, excentricidad, problemas de carga Motores de inducción Media
Monitoreo de desempeño Pérdida de eficiencia, ensuciamiento, desgaste interno Bombas (curva Q–H), compresores, intercambiadores Media
Medición de espesores por ultrasonido Corrosión y erosión Cañerías, recipientes, tanques Alta, según el plan de inspección
Diagnóstico de instrumentos y válvulas Deriva, fricción, pérdida de aire, firma de válvula Transmisores, posicionadores, válvulas de control Alta con HART y NE 107

ISO 13374 organiza el procesamiento en capas: adquisición, manipulación de datos, detección de estado, evaluación de salud, pronóstico y recomendación. Cada capa agrega valor solo si la anterior es confiable.

Metodología

  1. Seleccionar equipos por criticidad y, para cada uno, los modos de falla que dan aviso (salida del FMEA o del RCM).
  2. Asignar la técnica por modo de falla: el análisis de modos de falla y síntomas (FMSA) de ISO 13379-1 cruza cada modo con los parámetros que cambian cuando aparece.
  3. Definir la frecuencia de medición con el intervalo P-F de cada modo, no con la disponibilidad del analista.
  4. Establecer líneas base y alarmas: valores de equipo nuevo o recién intervenido, umbrales de norma (por ejemplo, zonas de severidad de ISO 20816) y alarmas estadísticas propias.
  5. Diagnosticar: identificar el modo de falla a partir del síntoma. Las frecuencias características (de rodamientos, engranajes, paso de álabes) permiten ubicar el defecto.
  6. Pronosticar: estimar la vida remanente con la tendencia del parámetro y un umbral de falla funcional.
  7. Convertir en orden de trabajo con prioridad y fecha límite, y cerrar el ciclo con los hallazgos de la intervención.
Atención

El predictivo que no se convierte en órdenes de trabajo es un costo sin retorno. Un indicador básico de un programa sano es el porcentaje de alarmas que terminan en una intervención planificada antes de la falla.

Fórmulas clave

Frecuencias de defecto de un rodamiento con nn elementos rodantes de diámetro dd, diámetro primitivo DD, ángulo de contacto ϕ\phi y frecuencia de giro frf_r:

BPFO=n2fr(1−dDcos⁡ϕ)BPFI=n2fr(1+dDcos⁡ϕ)(1)\text{BPFO} = \frac{n}{2}f_r\left(1-\frac{d}{D}\cos\phi\right) \qquad \text{BPFI} = \frac{n}{2}f_r\left(1+\frac{d}{D}\cos\phi\right) \tag{1}
BSF=D2dfr[1−(dDcos⁡ϕ)2]FTF=fr2(1−dDcos⁡ϕ)(2)\text{BSF} = \frac{D}{2d}f_r\left[1-\left(\frac{d}{D}\cos\phi\right)^2\right] \qquad \text{FTF} = \frac{f_r}{2}\left(1-\frac{d}{D}\cos\phi\right) \tag{2}

Alarma estadística sobre una línea base con media xˉ\bar x y desvío ss:

xalarma=xˉ+3s(3)x_{\text{alarma}} = \bar x + 3s \tag{3}

Vida remanente con una tendencia exponencial x(t)=x0 ebtx(t) = x_0\,e^{bt} y un umbral xLx_L:

RUL=ln⁡(xL/xactual)bb=ln⁡(x2/x1)t2−t1(4)\text{RUL} = \frac{\ln(x_L / x_{\text{actual}})}{b} \qquad b = \frac{\ln(x_2/x_1)}{t_2 - t_1} \tag{4}

Ejemplo industrial

Ejemplo

Bomba accionada por un motor a 1776 rpm (29,6 Hz) con un rodamiento de 9 bolas de 12 mm y diámetro primitivo de 60 mm, ángulo de contacto nulo. Datos ilustrativos.

Con las ecuaciones 1 y 2: BPFO = 106,6 Hz, BPFI = 159,8 Hz, BSF = 71,0 Hz y FTF = 11,8 Hz. El espectro de envolvente muestra un pico en 106,6 Hz con armónicos: defecto en la pista externa.

La velocidad global pasó de 2,1 a 3,4 mm/s RMS en 8 semanas. Con la ecuación 4, la tasa de crecimiento es 0,060 por semana y, con el umbral de 7,1 mm/s adoptado para el cambio de zona C a D, la vida remanente estimada es de 12 semanas. Con un tiempo de respuesta de 3 semanas para conseguir el repuesto y programar la parada, la intervención se planifica dentro de las próximas 6 a 8 semanas y la frecuencia de medición pasa de mensual a semanal hasta entonces.

Nota

Los umbrales de severidad dependen de la clase de máquina, la potencia y el tipo de fundación (serie ISO 20816). Los valores de este ejemplo son orientativos.

Datos y aprendizaje automático

Los modelos de aprendizaje automático agregan valor cuando hay muchas señales correlacionadas (proceso y condición) y un historial de fallas bien etiquetado. Los riesgos principales son la fuga de información en el entrenamiento, el desbalance de clases (pocas fallas frente a mucha operación normal) y la deriva del proceso. El módulo de machine learning muestra estos conceptos con un ejemplo entrenado en el navegador.

Casos documentados

Aloha Airlines, vuelo 243, 1988. Un Boeing 737 con cerca de 90 000 ciclos de vuelo sufrió la separación de una sección del fuselaje superior. La investigación de la NTSB atribuyó el evento a un programa de inspección que no detectó corrosión y fisuras por fatiga en múltiples sitios. El caso dio origen al programa de envejecimiento de aeronaves y es una referencia sobre probabilidad de detección: una inspección que existe en el plan pero no tiene capacidad real de detectar el defecto equivale a no inspeccionar. Ver el caso.

Programas de ahorro documentados. La guía de buenas prácticas de operación y mantenimiento del Departamento de Energía de EE. UU. (FEMP, 2010) reúne resultados de encuestas sobre programas predictivos con reducciones de costo de mantenimiento y de paradas no programadas. Son referencias de orden de magnitud; el beneficio de cada planta depende de su línea de base y debe medirse con sus propios datos.

Buenas prácticas

  • Elegir la técnica por modo de falla y la frecuencia por intervalo P-F.
  • Registrar las condiciones de operación junto con cada medición: velocidad y carga cambian la lectura.
  • Usar alarmas estadísticas propias además de las de norma.
  • Entrenar y certificar analistas (ISO 18436) y separar la recolección del diagnóstico cuando el volumen lo justifica.
  • Cerrar cada diagnóstico con la inspección de la pieza retirada: confirma o corrige el criterio.

Errores comunes

  • Rutas mensuales para modos con P-F de dos semanas.
  • Datos sin acción: informes que nadie convierte en órdenes de trabajo.
  • Umbrales genéricos para equipos de distinta clase y fundación.
  • Tecnología antes que modos de falla: sensores instalados sin saber qué deben detectar.
  • Confiar en un modelo de datos sin validar sus predicciones contra fallas reales.

Referencias

  1. ISO 17359:2018. Condition monitoring and diagnostics of machines — General guidelines.
  2. ISO 13374-1:2003. Condition monitoring and diagnostics of machines — Data processing, communication and presentation — Part 1: General guidelines.
  3. ISO 13381-1:2015. Condition monitoring and diagnostics of machines — Prognostics — Part 1: General guidelines.
  4. ISO 20816-1:2016. Mechanical vibration — Measurement and evaluation of machine vibration — Part 1: General guidelines.
  5. ISO 18436-2:2014. Requirements for qualification and assessment of personnel — Vibration condition monitoring and diagnostics.
  6. U.S. Department of Energy, FEMP (2010). Operations & Maintenance Best Practices Guide, Release 3.0.
  7. National Transportation Safety Board (1989). Aircraft Accident Report: Aloha Airlines, Flight 243, Boeing 737-200, N73711. NTSB/AAR-89/03.