Ideas de inicio
En la industria actual, la gestión de equipos críticos influye directamente en la estabilidad operativa y los resultados económicos de las plantas. Se propone una solución de mantenimiento predictivo aplicada a la planta Frío Pacífico 1 ubicada en la comuna de Talcahuano, Chile, que transforma el mantenimiento tradicional en un enfoque estratégico basado en datos.
Este estudio busca diseñar y validar retrospectivamente una metodología de detección temprana de anomalías en compresores industriales de refrigeración. Integra variables eléctricas y mecánicas mediante modelos no supervisados para anticipar fallos con un horizonte de hasta 72 horas, evolucionando del mantenimiento preventivo clásico —que genera intervenciones innecesarias y riesgos de fallos inducidos por manipulación excesiva— hacia estrategias apoyadas en inteligencia artificial. Estos aprovechan los registros energéticos y mecánicos disponibles, sin requerir nuevas inversiones.
La planta Frío Pacífico 1 enfrenta desafíos únicos debido al marco regulatorio del mercado eléctrico chileno. Las tarifas en horario punta obligan a ciclos frecuentes de arranque y parada que aceleran el desgaste de los equipos, lo que motiva esta solución técnica avanzada de mantenimiento predictivo.
Diagramas de instalación y parámetros de operación
Descripción de la problemática
La detección tardía de fallos en sistemas de refrigeración industrial provoca paradas no planificadas y elevados costes operativos. En consecuencia, cerca del 78% de las instalaciones manufactureras mundiales siguen dependiendo de enfoques tradicionales, limitando su capacidad de anticipación.
En la planta Frío Pacífico 1, ubicada geográficamente en la comuna de Talcahuano, Chile, el 98,29% de las intervenciones son preventivas calendarizadas. Debido a esto, la información de condición eléctrica y vibracional no se emplea sistemáticamente para detectar anomalías antes de que ocurran eventos críticos.
Delimitación del alcance
El alcance abarca el diseño y validación de una metodología de mantenimiento predictivo para tres compresores de tornillo de 132 kW. Sin embargo, el análisis se centra en el procesamiento retrospectivo de datos históricos del periodo enero-julio de 2025.
El sistema desarrollado integra la monitorización de variables eléctricas y mecánicas con una resolución de cinco minutos. Además, se enfoca en la generación de diagnósticos prescriptivos y órdenes de trabajo integrables en plataformas de gestión tipo GMAO.
El compresor 02
Metodología
El enfoque utiliza técnicas de aprendizaje automático no supervisado, específicamente una combinación ensemble de Isolation Forest y DBSCAN. Este método procesa datos energéticos y vibracionales, permitiendo identificar firmas de fallo sin necesidad de registros históricos previamente etiquetados.
Desarrollo
La gestión de activos críticos en la industria chilena exige una transición hacia modelos basados en datos para garantizar la continuidad operativa. Por lo tanto, con el fin de optimizar la fiabilidad y eficiencia energética de los sistemas de refrigeración, el estudio se direcciona en:
Construir flujo de trabajo reproducible
Se implementó un pipeline automatizado en Python que asegura la calidad y consistencia de los datos cada cinco minutos. Mediante ingeniería de variables, se generaron 34 indicadores derivados, incluyendo transformaciones espectrales (FFT) y medias móviles adaptativas para mejorar el diagnóstico.
Evaluar distintos métodos de detección de anomalías
El modelo ensemble (Isolation Forest + DBSCAN) superó a los enfoques univariables tradicionales al equilibrar sensibilidad y especificidad. Gracias a esta configuración, se detectaron 439 anomalías, reduciendo los falsos positivos en un 35% respecto a los métodos clásicos.
Correlacionar detecciones del modelo con OT del GMAO y medir MTTD
La validación frente a 4.209 órdenes de trabajo históricas confirmó que el sistema anticipó el 100% de las intervenciones correctivas. Además, se alcanzó un tiempo medio de detección de 69,8 horas, con un robusto F1-score de 0,963.
Estimar el impacto operativo y económico de la metodología
El análisis proyecta una reducción del 60% en las paradas no planificadas y una mejora del 8% en eficiencia energética. Por lo tanto, el sistema ofrece un ROI anual del 30,9%, consolidando su viabilidad financiera para la gestión formal de activos.
El diseño cumple estrictamente con las normas ISO 17359 e ISO 13374, garantizando compatibilidad con estándares industriales globales. Sin embargo, la investigación demuestra que el análisis integrado es superior a los métodos preventivos calendarizados al ofrecer diagnósticos tempranos y fiables.
Modelo ensemble para detección de anomalías
Arquitectura propuesta para la implementación operativa
El presente diseño establece una arquitectura integral de monitorización para compresores industriales, fundamentada en las normativas ISO 13374 e ISO 17359. Por lo tanto, la propuesta garantiza un procesamiento sistemático de condiciones que permite la transición efectiva hacia un modelo de mantenimiento predictivo en tiempo real.
En cuanto a la capa de datos, se implementa una base de datos PostgreSQL optimizada para series temporales industriales. Debido a esto, el sistema emplea indexación compuesta y particionado mensual, asegurando consultas eficientes sobre grandes volúmenes de registros energéticos y vibracionales sin comprometer el rendimiento.
Por otro lado, la capa de procesamiento integra un motor predictivo avanzado que utiliza los algoritmos Isolation Forest y DBSCAN. En consecuencia, la estrategia ensemble (70/30) logra combinar sensibilidad global y precisión local, permitiendo una reducción drástica de falsos positivos mediante el análisis continuo del THD.
Finalmente, la capa de aplicación se articula a través de API REST y WebSockets para facilitar la integración con sistemas corporativos. Además, incluye una interfaz web operativa y módulos de informes automatizados, lo cual garantiza la entrega de documentación técnica reproducible para la toma de decisiones.
Beneficios e impacto positivo
Limitaciones, aportaciones y futuras líneas de investigación
El estudio se basó en un periodo de siete meses, lo que limita la captura de ciclos estacionales anuales completos. Además, la monitorización vibracional se restringió al compresor C2, dejando una cobertura parcial de datos mecánicos en el resto de los equipos.
La investigación consolida la distorsión armónica total (THD) como un indicador multifísico eficaz para detectar fallos eléctricos y mecánicos simultáneamente. Por otro lado, aporta un flujo de trabajo reproducible y escalable que no requiere inversiones adicionales en hardware.
Se recomienda entre las posibilidades de futuras investigaciones, la implementación de un piloto en tiempo real con integración directa y automática en sistemas GMAO. Asimismo, es fundamental ampliar la base de datos para capturar la estacionalidad operativa y replicar la metodología en otras plantas industriales.
Conclusiones
Bibliografía
- Asociación para la Gestión del Mantenimiento. (2023). Informe sobre el estado del mantenimiento industrial.
- Asociación Española de Normalización. (2012). UNE-EN ISO 12100:2012. Seguridad de las máquinas. Principios generales para el diseño. Evaluación y reducción del riesgo. AENOR. https://www.aenor.com/normas-y-libros/buscador-de-normas/UNE?c=N0044620
- Asociación Española de Normalización. (2015). UNE-EN ISO 9001:2015. Sistemas de gestión de la calidad. Requisitos. AENOR. https://www.aenor.com/certificacion/gestion/calidad/iso-9001
- Asociación Española de Normalización. (2015). UNE-EN ISO 14001:2015. Sistemas de gestión ambiental. Requisitos con orientación para su uso. AENOR. https://www.aenor.com/certificacion/gestion/ambiental/iso-14001
- Bollen, M. H., & Hassan, F. (2011). Integration of Distributed Generation in the Power System. IEEE Press.
- European Council for an Energy Efficient Economy (ECEEE). (2023). Recommendations for industrial energy efficiency.
- International Organization for Standardization (ISO). (2018). ISO 17359:2018 Condition monitoring and diagnostics of machines — General guidelines.
- Liu, F. T., Ting, K. M., & Zhou, Z. H. (2008). Isolation Forest. International Conference on Data Mining.
- Ministerio de Energía de Chile. (2024). Decreto de tarifas eléctricas para clientes industriales.
- Mobley, R. K. (2020). An Introduction to Predictive Maintenance. Butterworth-Heinemann.
Autores: Antonio Cantos Cuevas y Renzo Chavez Bernuy
