Maestría en Ingeniería del

Mantenimiento
Sesión 2

Organización de la
Gestión del
Mantenimiento
Tema 3: Introducción a técnicas de recopilación de
datos.

Tema 4: Técnicas analíticas avanzadas.

Resultados de aprendizaje Evidencia de aprendizaje
• Organiza las estrategias de mantenimiento de Control de Lectura (CL)
acuerdo con los objetivos organizacionales para Informe del segundo avance del Producto
alinear los esfuerzos de mantenimiento con los Integrador colaborativo (CPI).
resultados globales de la empresa y mejorar la Evaluación Parcial Virtual (EPV)
eficiencia operativa.
• Determina tiempos de operación y fallas críticas de los
activos en la empresa para priorizar las intervenciones
de mantenimiento, reducir los tiempos de inactividad y
mejorar la fiabilidad de los activos.
 Contenido
• Técnicas de recopilación
dedatos: métodos manuales y
automáticos para la captura de
información
• Gestión de datos históricos:
almacenamiento, organización y
acceso a registros de
mantenimiento.
• Técnicas analíticas avanzadas:
IA, machine learning y software
especializado en mantenimiento.
 TEMA 3
Introducción a Técnicas de Recopilación de Datos
¿Por qué es fundamental la recopilación de datos?

La recopilación sistemática de datos en mantenimiento industrial permite:

• Tomar decisiones basadas en evidencia y no en intuición

• Identificar patrones de fallas antes de que ocurran averías mayores
• Optimizar los ciclos de mantenimiento preventivo
• Justificar inversiones en equipos o capacitación
• Evaluar el rendimiento de proveedores y contratistas
• Cumplir con normativas y estándares de la industria
Técnicas Manuales de Recopilación de Datos
1 2

Registros en papel Entrevistas a operadores

Órdenes de trabajo, bitácoras y checklist tradicionales completados Recopilación de información cualitativa sobre el funcionamiento de
a mano por técnicos. los equipos a través de conversaciones estructuradas.

Ventaja: No requiere tecnología avanzada.

Ventaja: Captura conocimiento tácito no documentado.
Desventaja: Difícil análisis y procesamiento posterior.

3 4

Inspecciones visuales Auditorías técnicas

Recorridos programados para detectar anomalías mediante Evaluaciones exhaustivas realizadas por especialistas siguiendo
observación directa. protocolos establecidos.

Ventaja: Permite identificar problemas que los sensores no Ventaja: Alto nivel de detalle y precisión en la información.
detectan.
Técnicas Automáticas de Recopilación de Datos

Sensores y monitoreo continuo

Dispositivos que capturan variables físicas (temperatura, vibración,
presión, consumo eléctrico) en tiempo real.

Sistemas SCADA
Control de supervisión y adquisición de datos que centraliza información
de múltiples equipos en una interfaz unificada.

IoT industrial (IIoT)

Redes de dispositivos conectados que transmiten datos a servidores
centrales o a la nube para su procesamiento.

Los sistemas automáticos permiten recopilación continua, reducen errores

humanos y facilitan el análisis en tiempo real.
Comparativa: Métodos Manuales vs. Automáticos
Criterio Métodos Manuales Métodos Automáticos

Inversión inicial Baja Alta

Precisión Media (depende del operador) Alta (consistente)

Frecuencia Periódica (programada) Continua (tiempo real)

Volumen de datos Limitado Masivo

Accesibilidad Localizada Remota/Global

Integración Difícil y manual Automatizada

Detección temprana Limitada Avanzada

La tendencia actual es implementar sistemas híbridos que combinen lo mejor de ambos enfoques, aprovechando el conocimiento humano y la
eficiencia tecnológica.
 Gestión de Datos Históricos

Los datos históricos de mantenimiento son el tesoro de la organización

cuando se gestionan adecuadamente:

Almacenamiento
Bases de datos relacionales, data lakes o sistemas CMMS
específicos para mantenimiento

Clasificación
Categorización por equipo, tipo de falla, criticidad, fecha y responsable

Procesamiento
Limpieza, normalización y preparación para análisis estadístico

Visualización
Dashboards interactivos y reportes automatizados para toma de decisiones

Un sistema robusto de gestión de datos históricos permite identificar

tendencias, predecir fallos y optimizar recursos de mantenimiento.
Buenas Prácticas en Gestión de Datos Históricos

Estandarización Frecuencia de actualización Niveles de acceso

Establecer formatos uniformes para todos Definir ciclos regulares de actualización de Implementar permisos diferenciados según
los registros, utilizando nomenclaturas y datos (diarios, semanales) para mantener roles para proteger información sensible y
códigos consistentes para facilitar la base histórica al día. garantizar la integridad de los datos.
búsquedas y análisis.

Respaldo periódico Depuración inteligente

Establecer protocolos automáticos de backup para prevenir pérdidas Desarrollar políticas de archivado que mantengan accesibles los
por fallos técnicos o ciberataques. datos relevantes y archiven los obsoletos sin eliminarlos.
Caso de Estudio: Transformación Digital en Minera Andina
Minera Andina implementó un sistema integrado de recopilación de datos que transformó su operación:
• Situación inicial: Registro manual en papel, pérdida del 30% de datos, tiempo de análisis: 2 semanas
• Implementación: Sistema CMMS con tablets para técnicos, sensores IoT en equipos críticos, dashboards en tiempo real

• Resultados:

87% 62%

Captura de datos Tiempo de análisis

Aumento en la cantidad de datos capturados correctamente Reducción en tiempo para obtener informes útiles

23%

La implementación requirió capacitación intensiva y cambio cultural, pero el ROI se alcanzó en 14

Fallas imprevistas meses.

Disminución de paradas no programadas

 TEMA 4
Técnicas Analíticas Avanzadas
Evolución del Análisis de Datos en Mantenimiento
1950-1970 2000-2010
Análisis manual reactivo Sistemas integrados CMMS

• Registros en papel • Software especializado

• Estadística básica • Análisis estadístico
• Mantenimiento correctivo • Mantenimiento predictivo

1 2 3 4

1980-1990 2010-Actualidad
Primeros sistemas computarizados Era de la IA y Big Data

• Hojas de cálculo • Machine learning

• Bases de datos simples • IoT industrial
• Mantenimiento preventivo • Mantenimiento prescriptivo

El avance tecnológico ha permitido pasar de un enfoque reactivo (arreglar cuando falla) a uno predictivo y prescriptivo (anticipar fallas y recomendar
acciones).
Inteligencia Artificial en
Mantenimiento Industrial
La IA está revolucionando el mantenimiento industrial al permitir analizar
volúmenes masivos de datos e identificar patrones complejos que serían
imposibles de detectar para analistas humanos. Las aplicaciones incluyen
predicción de fallas con semanas de anticipación, optimización de inventarios
de repuestos, programación dinámica de mantenimiento y diagnóstico
automático de causas raíz.
Principales Técnicas de IA en Mantenimiento

Redes Neuronales Árboles de Decisión

Identifican patrones complejos en datos de sensores múltiples, Clasifican condiciones de equipos y recomiendan rutas de acción
detectando anomalías que preceden a fallos críticos. basadas en históricos de éxito.

Algoritmos de Clustering Modelos Predictivos

Agrupan equipos con comportamientos similares para estandarizar Proyectan la degradación de componentes basándose en patrones
estrategias de mantenimiento. históricos y condiciones actuales.

La combinación de estas técnicas permite desarrollar sistemas de mantenimiento prescriptivo que no solo predicen cuándo ocurrirá una falla,
sino que recomiendan las mejores acciones para prevenirla.
Machine Learning en Detección de Patrones
Tipos de aprendizaje automático
Aprendizaje supervisado
Utiliza datos históricos etiquetados (falla/no falla) para entrenar modelos
que clasifican nuevas situaciones.

Aprendizaje no supervisado
Descubre patrones sin etiquetas previas, identificando comportamientos
anómalos que podrían indicar problemas.

Aprendizaje por refuerzo

Optimiza estrategias de mantenimiento mediante prueba y error, mejorando
continuamente con resultados reales.

El machine learning es particularmente efectivo para:

• Detección temprana de anomalías (hasta semanas antes de la falla visible)
• Identificación de correlaciones entre variables aparentemente no relacionadas
• Optimización continua de umbrales de alerta según condiciones operativas
Caso: Detección de Fallas en Rodamientos

Recopilación de datos
Sensores de vibración capturan datos a 20kHz durante operación normal y con distintos niveles de desgaste

Preprocesamiento
Transformación de señales mediante FFT (Fast Fourier Transform) para identificar componentes frecuenciales

Entrenamiento del modelo

Red neuronal convolucional (CNN) entrenada con miles de muestras etiquetadas según condición del rodamiento

Implementación
Sistema en tiempo real que analiza continuamente datos de vibración y alerta sobre desviaciones del patrón normal

Resultados
Detección de fallas incipientes con 96% de precisión, 2-3 semanas antes de que sean perceptibles para técnicos experimentados
Software Especializado para Análisis de Mantenimiento

Sistemas CMMS Plataformas predictivas Herramientas analíticas

Software de gestión de mantenimiento Soluciones específicas para análisis predictivo Software especializado en análisis estadístico
computerizado que integra órdenes de trabajo, con capacidades de machine learning avanzado y visualización de datos complejos.
inventario, programación y análisis básico. integradas.
Ejemplos: Power BI, Tableau, Python con
Ejemplos: Predix, Uptake, Senseye bibliotecas especializadas
Ejemplos: SAP PM, Maximo, Infor EAM

La tendencia actual es hacia plataformas integradas que combinan gestión operativa (CMMS) con capacidades analíticas avanzadas y aprendizaje
automático.
Beneficios del Análisis Avanzado en Mantenimiento

Según estudios de la industria, las empresas que implementan técnicas analíticas avanzadas en su estrategia de mantenimiento logran un ROI promedio de 3.5x en los primeros dos años.
Desafíos en la Implementación de Técnicas Avanzadas

Calidad de datos Capacidades técnicas

Información incompleta o inconsistente que afecta Escasez de personal con conocimientos en análisis
la precisión de los modelos de datos y mantenimiento

Demostración de ROI Integración de sistemas

Dificultad para cuantificar beneficios a corto Dificultad para conectar fuentes de datos
plazo y justificar inversiones dispersas en sistemas heredados

Resistencia cultural Inversión inicial

Barreras organizacionales para adoptar nuevos Alto costo de implementación de sensores,
enfoques basados en datos infraestructura y software especializado
Riesgos del Uso de IA en Gestión de Mantenimiento
A pesar de sus beneficios, la implementación de IA en mantenimiento industrial
presenta riesgos importantes que deben ser considerados:

Dependencia tecnológica
Pérdida de habilidades de diagnóstico manual y excesiva confianza en sistemas automatizados

Cajas negras algorítmicas

Dificultad para comprender y explicar las decisiones tomadas por modelos complejos

Vulnerabilidades de ciberseguridad
Mayor exposición a ataques que pueden comprometer operaciones críticas

Sesgo en los datos históricos

Estos riesgos deben gestionarse mediante:
Perpetuación de prácticas subóptimas si los modelos se entrenan con datos sesgados
• Enfoque híbrido (humano + máquina)
• Transparencia algorítmica
• Estrategias robustas de ciberseguridad
• Validación continua de resultados
Tendencias Futuras en Análisis de Datos de Mantenimiento

Gemelos Digitales Realidad Aumentada

Réplicas virtuales de activos físicos que permiten simular Tecnología que superpone información digital sobre el mundo
condiciones y predecir comportamientos con precisión sin real, permitiendo visualizar datos de sensores e instrucciones de
riesgos operativos. mantenimiento en tiempo real.

Computación en el Borde Mantenimiento Autónomo

Procesamiento de datos cerca de la fuente (equipos) para Robots y drones que realizan inspecciones y reparaciones
análisis en tiempo real sin depender de conectividad constante a básicas en entornos peligrosos o de difícil acceso para
la nube. humanos.

Estas tecnologías están convergiendo para crear un ecosistema de mantenimiento inteligente que optimiza recursos y maximiza la disponibilidad
de activos.
✓ REFERENCIAS
Muñoz, G. F. R. (2024). Implicaciones de la inteligencia artificial en la metodología de investigación.
Revista de Investigación En Tecnologías de La Información. [Link]

✓ Synergies between Lean and Industry 4.0 for Enhanced Maintenance Management in Sustainable
Operations: A Model Proposal. (2023). Processes. [Link]

✓ Ur Rehman, A., Usmani, Y. S., Umer, U., & Alkahtani, M. (2020). Lean Approach to Enhance
Manufacturing Productivity: A Case Study of Saudi Arabian Factory. Arabian Journal for Science and
Engineering, 45(3), 2263–2280. [Link]

✓ Akintayo, T. A., Paul, C., Chiamaka Queenet, M., Nnadiekwe, O. A., Victoria, S. S., David, F. B., Joel, O.
O., Agada, O. I., Ngozi, E. R., Arinze, U. U., Ojemerenvhie, G. A., Oluwadamilola, A. A., Nnamani, C. C.,
& Olayinka, U. W. (2024). Transforming Data Analytics with AI for Informed Decision-Making.
International Journal of Education, Management and Technology, 2(3), 196–215.
[Link]

✓ Aucasime-Gonzales, P., Tremolada-Cruz, S., Chavez-Soriano, P., Dominguez, F., & Raymundo, C.
(2020). Waste Elimination Model Based on Lean Manufacturing and Lean Maintenance to Increase
Efficiency in the Manufacturing Industry. 999(1), 012013. [Link]
899X/999/1/012013

✓ Cabana, J., Quino, W., & Ramos, E. (2024). Lean Maintenance Design to Optimize the Manufacturing
Process: A Peruvian Textile Company Case. [Link]