OPTIMIZACIÓN DEL MANTENIMIENTO

EN UNA PLANTA INDUSTRIAL

MEDIANTE AUTOMATIZACIÓN Y
ANÁLISIS DE DATOS.

Profesor: Integrantes:
REINA K. BASTARDO GÓMEZ Martínez, Jesús C.I: 14.029.196
Ordaz, Juan. C.I:17.745.750
Rodríguez, Manuel C.I:10.937543
Ruiz, María C.I. 30.593.833
Tamanaico, Maricarmen C.I. 26.071.122
Trayecto IV – Fase I
Sección: MM-02
El Tigre, julio de 2025
 INTRODUCCIÓN.

En el dinámico y competitivo panorama industrial actual, la eficiencia operativa y la

disponibilidad de los activos son pilares fundamentales para la rentabilidad y la
sostenibilidad de cualquier planta. Históricamente, el mantenimiento se ha gestionado
mediante enfoques reactivos o programados, lo que a menudo desemboca en tiempos de
inactividad no planificados, elevados costos operativos y una reducción de la vida útil de
los equipos.

Sin embargo, la confluencia de la automatización industrial y el análisis avanzado

de datos está revolucionando esta disciplina. Esta poderosa simbiosis permite un cambio de
paradigma, pasar de un modelo de mantenimiento correctivo a uno predictivo y
prescriptivo. La integración de estas tecnologías facilita una optimización del
mantenimiento sin precedentes, al proporcionar información en tiempo real sobre el estado
de los equipos, prever posibles fallos y prescribir las acciones más adecuadas.

Este enfoque no solo maximiza la productividad al reducir drásticamente las

interrupciones, sino que también optimiza los costos al enfocar los recursos de
mantenimiento de manera más inteligente. En última instancia, la automatización y el
análisis de datos son herramientas esenciales para garantizar la continuidad operacional, la
seguridad y la competitividad de las plantas industriales en la era moderna.
 DESARROLLO.

OPTIMIZACIÓN DEL MANTENIMIENTO EN UNA PLANTA INDUSTRIAL

MEDIANTE AUTOMATIZACIÓN Y ANÁLISIS DE DATOS.

Descripción General del Escenario.

Imaginemos un equipo de ingenieros de mantenimiento contratados por "Industrias

y Maquinarias Ordaz y asociados, S.A.", una empresa líder en la producción de petróleo
pesado.
La planta cuenta con una línea de producción crítica que incluye maquinarias como
bombas, motores eléctricos, compresores y equipos de levantamiento artificial como las
bombas de cavidad progresiva (BCP). Actualmente, la empresa opera con un
mantenimiento reactivo, lo que genera altos costos por paradas no planificadas, daños
colaterales y altos inventarios de repuestos. La gerencia ha reconocido la necesidad urgente
de modernizar su estrategia de mantenimiento para mejorar la eficiencia operativa, reducir
costos y aumentar la disponibilidad de sus activos.
Para avanzar, sugerimos una fase inicial de auditoría detallada de la infraestructura
actual, identificación de los activos más críticos y una prueba de concepto en un equipo
específico para demostrar rápidamente el valor y afinar la estrategia.
Estamos listos para transformar el mantenimiento en "Industrias y Maquinarias
Ordaz y asociados, S.A.", y asegurar la máxima eficiencia y confiabilidad en sus
operaciones de producción de petróleo.

1- ANÁLISIS DE CRITICIDAD Y SELECCIÓN DE ACTIVOS:

A. EL MOTOR ELÉCTRICO.

Es, sin duda, el componente más crítico y de mayor impacto en la producción y los
costos de falla en una bomba centrífuga y BCP. Su elección y mantenimiento adecuados
son fundamentales para la operatividad y rentabilidad de cualquier sistema de bombeo y
levantamiento artificial.
 a) Basándose en su impacto.

Impacto en la producción, parada total del proceso.

La falla de un motor eléctrico significa la parada inmediata y completa del proceso

donde este trabaja, ya que este depende del movimiento del fluido. Las bombas son el
"corazón" de muchos sistemas; si el corazón se detiene, todo el cuerpo se detiene. Esto
puede llevar a:

 Pérdida de producción.
 Interrupción de la cadena de suministro.
 Acumulación de subproductos o materias primas.
 Reducción de la Capacidad Operativa.
 Menor caudal o presión.
 Mayor consumo energético.
 Mayor desgaste de otros componentes.
 Costos de Mantenimiento y Reparación.
 Costo del motor de reemplazo o reparación.
 Mano de obra especializada.
 Repuestos adicionales.
 Equipos de alquiler.
 Costos por Pérdida de Producción (Tiempo de Inactividad).

b) Justificación de la Elección.

Elegimos el motor eléctrico como el componente de mayor impacto debido a que es

el principal impulsor del sistema. Sin él, la bomba no puede realizar su función.

 Si fallan los rodamientos de la bomba, el motor aún puede estar operativo y ser
reutilizado después de la reparación de la bomba.
 Si falla el sello mecánico, el motor sigue girando y solo se detiene la bomba por
fuga, pero el motor en sí no sufre un daño catastrófico.
 Si el impulsor se desgasta o se bloquea, el motor puede sobrecalentarse o dispararse
por sobrecarga, pero el daño primario no está en su estructura interna, y si la
protección actúa a tiempo, el motor puede salvarse.
 B. COMPRESOR DE AIRE.

Este es otro elemento importante que impacta en la producción y los costos

operacionales, ya que este se utiliza para generar presión de aire, el cual es requerido para
activar diferentes equipos neumáticos.

a) Impacto en la Producción.

El aire comprimido es un servicio que se encuentra en casi todas las facetas de una
operación petrolera, desde la exploración y perforación hasta la producción, refinación y
transporte. El elemento compresor es el corazón del compresor de aire y su falla impacta
directamente en la capacidad de generar aire comprimido, afectando parcialmente la
producción.

Parada de Operaciones Críticas:

 Producción: Válvulas de control (como las de cabezales de pozo, estaciones de

flujo, oleoductos y gasoductos) operan neumáticamente. Una falla en el aire de
instrumentos significa la detención o cierre de pozos, plantas de procesamiento o
sistemas de transporte, resultando en una pérdida directa y masiva de producción de
petróleo o gas.
 Reducción de la Eficiencia Operativa: Un elemento compresor degradado (por
ejemplo, con tolerancias aumentadas, palas desgastadas en compresores de tornillo
o anillos de pistón gastados en compresores de pistón) puede seguir funcionando,
pero con menor eficiencia.
 Costo Directo del Componente y Reparación/Reemplazo: El elemento
compresor es la pieza más compleja y de mayor ingeniería dentro del compresor de
aire. Su costo de reemplazo o reparación es, con mucha frecuencia, el más elevado
de todos los componentes. Requiere mano de obra altamente especializada para el
diagnóstico, desmontaje, reparación (si es posible) y reensamblaje, lo que
incrementa los costos de mantenimiento.

Los tiempos de entrega para repuestos especializados del elemento compresor

pueden ser prolongados, especialmente para compresores de gran tamaño o de
marcas específicas, lo que prolonga el tiempo de inactividad.
  Costos por Pérdida de Producción (Tiempo de Inactividad): Este es el costo más
devastador dentro de una empresa petrolera, este es el valor de la producción
perdida por hora debido a una parada de una planta o de varios pozos, estos pueden
ser astronómico.
 Arrancadas y paradas de planta: Las paradas y arranques de unidades de
procesamiento son procesos complejos y costosos, que implican purgas,
calentamiento/enfriamiento, y consumo adicional de energía y catalizadores. Una
falla que fuerce esto es muy oneroso.
 Costos Indirectos y Consecuenciales: Una falla del elemento compresor puede
enviar residuos metálicos o lubricante degradado al sistema de aire, dañando
válvulas neumáticas, herramientas y equipos

Justificación de la Elección.

Elegimos el compresor de aire ya que sin este el proceso se retrasaría o detendría en

algunos casos, debido a que algunas actividades se tendrían que realizar manualmente.

 Fugas de aire: Reducen la eficiencia y aumentan los costos, pero rara vez detienen
completamente la producción a gran escala de manera inmediata, a menos que sean
masivas e incontrolables.
 Filtros sucios o problemas de enfriamiento: Disminuyen la eficiencia y la vida
útil, pero la producción de aire puede continuar hasta cierto punto, aunque con
riesgo de daño.
 Contaminación del aire (agua/aceite): Perjudica las herramientas y los sistemas,
pero la generación de aire en sí misma no se detiene a menos que los sistemas de
purificación fallen catastróficamente.

C. BOMBAS.

En una empresa petrolera, otro componente crítico son las bombas, estas tienen un
impacto directo en la producción y los costos de falla.

Justificación del Sello Mecánico como el Componente Más Crítico dentro de

las bombas.
 Si bien el impulsor, los rodamientos y el motor eléctrico son vitales para el
funcionamiento de una bomba, el sello mecánico es el componente que, con mayor
frecuencia y de forma más inmediata, puede detener la producción y generar costos de falla
significativos en la industria petrolera, ya que este evita que el material bombeado salga
hacia el exterior, evitando así posible contaminación ambiental.

Justificación de la Elección.

a) Impacto en la Producción.

Parada Inmediata por Fuga: La función principal del sello mecánico es contener el fluido
bombeado dentro de la carcasa de la bomba y evitar fugas al exterior. En la industria
petrolera, los fluidos manejados (petróleo crudo, gasolinas, diésel, productos químicos,
agua salada) son a menudo inflamables, tóxicos, altamente corrosivos, abrasivos o de alto
valor económico.

Una falla del sello mecánico que resulte en una fuga es una situación de emergencia
que obliga a una parada inmediata de la bomba.

 Riesgo de Incendio/Explosión.

 Riesgo Ambiental y de Salud.

 Pérdida del Fluido de Proceso.

 Detención de la Producción Daño Secundario a Otros Componentes (Motor y

Rodamientos).

b) Impacto en los Costos de Falla.

 Costos Directos de Mantenimiento y Reparación.
 Costo del Sello de Repuesto.
 Mano de Obra Especializada.
 Tiempo de Inactividad del Equipo.
 Costos por Pérdida de Producción.
 Contaminación y Daño a Otros Activos.
 Aumento del Consumo de Energía.

Causas:
  Desgaste del sello mecánico

 Instalación incorrecta del sello

 Alineación defectuosa

 Vibración excesiva

 Problemas con el fluido.

 Picos de presión o temperatura.

2 - MÉTODOS DE MANTENIMIENTO PREDICTIVO.

MÉTODOS DE MANTENIMIENTO PREDICTIVO ESPECÍFICOS PARA UN

MOTOR ELÉCTRICO.

Este es el elemento que genera el movimiento en los equipos como bombas,

compresores, entre otros, para este análisis solo nos enfocaremos en las fallas más
comunes: como son la vibración, calentamiento o fricción y fallo de componentes eléctricos

a) ANÁLISIS DE VIBRACIONES.

Descripción del Método: Detecta y diagnostica fallas mecánicas como desequilibrio,

desalineación, rodamientos defectuosos, holguras, resonancia y problemas en el impulsor
de la bomba (cavitación, desgaste). Las vibraciones excesivas son un indicador temprano de
anomalías.

Recopilación de Datos:

 Tipos de Sensores:

Acelerómetros piezoeléctricos: Son los más comunes para vibraciones industriales. Miden
la aceleración de la vibración, que luego puede integrarse para obtener velocidad y
desplazamiento.

Sensores de proximidad: Usados principalmente en máquinas grandes para medir el

desplazamiento relativo del eje, pero menos comunes en motores y bombas centrífugas
estándar a menos que sean de muy alta velocidad o criticidad.

 Ubicación de los Sensores:

Motor: En las carcasas de los rodamientos del lado acople y del lado libre.

Acoplamiento: Cerca del acoplamiento del motor y el aquipo para detectar problemas de
alineación.

Base: En la base común del motor y el equipo para detectar problemas de cimentación o
holguras.

 Frecuencia de Muestreo (Adquisición de Datos):

Monitoreo Continuo (Online): Si la criticidad lo justifica, los acelerómetros pueden estar

instalados permanentemente y conectados a un sistema de adquisición de datos (DAQ) o a
un PLC/SCADA con módulos de análisis de vibración. La frecuencia de muestreo de los
datos brutos del sensor (para análisis de forma de onda) debe ser al menos 10 veces la
frecuencia máxima de interés (ej., si la velocidad de giro es 3600 RPM - 60 Hz, y se
esperan armónicos hasta 100x RPM para diagnosticar fallas de rodamientos, la frecuencia
máxima de interés podría ser 6 kHz, requiriendo una frecuencia de muestreo de 60 kHz por
canal). Los datos procesados (RMS, picos, espectros) se pueden registrar cada poco minuto
o de forma continua.

Monitoreo Periódico (Offline): Utilizando colectores de datos portátiles. La frecuencia de

las rondas de medición dependerá de la criticidad del equipo y su historial de fallas:

Baja Criticidad: Mensual o bimensual.

Media Criticidad: Quincenal.

Alta Criticidad: Semanal o quincenal.

Durante las rondas, la duración de la toma de datos debe ser suficiente para capturar
al menos 10-20 ciclos de la velocidad de operación.

b) TERMOGRAFÍA INFRARROJA.

Descripción del Método: Identifica puntos calientes anómalos que indican

sobrecalentamiento debido a fricción, problemas eléctricos (conexiones flojas, sobrecarga,
desequilibrio de fase), o flujo de aire restringido.
Recopilación de Datos:

 Tipos de Sensores:

Cámara termográfica portátil (manual): Es la herramienta estándar. Permite tomar

imágenes térmicas de la superficie de los componentes.

Sensores de temperatura IR fijos (puntuales): En caso de monitoreo continuo de un

punto muy crítico, como un rodamiento específico o una conexión eléctrica.

 Ubicación de la Medición:

Motor: Carcasa del motor, aletas de enfriamiento, caja de bornas (conexiones eléctricas),
rodamientos (si son accesibles superficialmente).

Acoplamiento: Para detectar fricción o desalineación.

 Frecuencia de Muestreo (Inspección):

Periódica: Típicamente mensual, trimestral o semestral, dependiendo de la criticidad del

equipo y el entorno operativo.

Al momento de la inspección, se toma una imagen termográfica del motor eléctrico

en funcionamiento, acompañada de una foto visual y la lectura de las temperaturas
puntuales de interés (máxima, mínima, promedio, temperatura ambiente). Adicionalmente
las condiciones ambientales como temperatura ambiente y viento deben registrarse, ya que
estas afectan las lecturas.

c) ANÁLISIS DE CORRIENTE DEL MOTOR (MCSA).

Descripción del Método: Detecta fallos mecánicos (barras de rotor rotas, excentricidad
estática/dinámica, desalineación, holguras, problemas de rodamientos) y eléctricos
(desequilibrio de tensión, problemas de aislamiento) mediante el análisis del espectro de
frecuencia de la corriente del motor.

Recopilación de Datos:

 Tipos de Sensores:
Pinzas amperimétricas de efecto Hall: Para medir la corriente de las tres fases del motor
sin interrumpir el circuito. Deben tener una buena linealidad y ancho de banda para
capturar las distorsiones.

Transformadores de corriente (TCs): Si están instalados permanentemente en el centro

de control del motor (MCC), se pueden usar sus salidas para monitoreo continuo.

 Ubicación de la Medición:

Cables de alimentación del motor: Preferiblemente en el MCC o en la caja de bornas del

motor. Es crucial medir las tres fases.

 Frecuencia de Muestreo (Adquisición de Datos):

Monitoreo Continuo: Utilizando un analizador de calidad de energía o un sistema de

monitoreo de condición del motor dedicado. La frecuencia de muestreo debe ser alta (varios
kHz, ej., 10 kHz o más) para capturar armónicos de orden superior y las frecuencias
laterales asociadas a las fallas. Los datos se pueden promediar y procesar para generar
espectros de corriente cada poco minuto.

Monitoreo Periódico: Con analizadores portátiles de calidad de energía o herramientas

específicas de MCSA.

Frecuencia: Mensual o bimensual.

Se toman mediciones de corriente durante un período de tiempo suficiente (ej., 30

segundos a 1 minuto) para obtener un espectro de corriente estable. La carga del motor
debe ser estable durante la medición para una interpretación precisa.

MÉTODOS DE MANTENIMIENTO PREDICTIVO ESPECÍFICOS PARA UN

COMPRESOR DE AIRE EN PLANTA PETROLERA.

a) ANÁLISIS DE VIBRACIONES.
 Este método es fundamental para detectar problemas mecánicos internos en el
compresor, como desequilibrio, desalineación, rodamientos defectuosos, holguras o fallas
en los elementos de compresión (tornillos, pistones, álabes).

Recopilación de Datos:

 Sensores:
Se utilizan acelerómetros piezoeléctricos, que miden la aceleración de la vibración.
Para compresores de alta velocidad o con cojinetes de diario (menos comunes en
compresores de aire estándar), se pueden emplear sensores de proximidad (Eddy Current)
para medir el movimiento relativo del eje.
 Ubicación:
Los sensores se instalan en la carcasa del elemento compresor (lado acople y lado
libre) y en la base o skid para identificar problemas de cimentación.
 Frecuencia de Muestreo:

Monitoreo Continuo (Online): Para compresores de alta criticidad, los acelerómetros

están permanentemente instalados y conectados a un sistema de adquisición de datos. La
frecuencia de muestreo de los datos brutos puede ser de 20-50 kHz por canal para capturar
el amplio espectro de vibración. Los datos procesados (valores RMS, picos, espectros) se
registran y se envían alarmas cada 1-5 minutos.

Monitoreo Periódico (Offline): Se utilizan colectores de datos portátiles. La frecuencia de

las rondas de medición varía según la criticidad:

Compresores críticos o de uso continuo: Semanal o quincenal.

Compresores de criticidad media o uso intermitente: Mensual.

Compresores de baja criticidad o en stand-by: Bimensual o trimestral. En cada ronda, se

recopilan datos de vibración en las direcciones horizontal, vertical y axial en cada punto.

b) ANÁLISIS DE ACEITE Y LUBRICANTES.

 Es crucial para compresores con lubricación de aceite, ya que el estado del
lubricante y la presencia de contaminantes o partículas de desgaste indican la salud de los
rodamientos y del elemento compresor.

Recopilación de Datos:

 Herramientas:
Se utilizan kits de muestreo de aceite (frascos estériles con bombas de vacío o grifos
de muestreo) para extraer muestras representativas. El análisis detallado (viscosidad, conteo
de partículas, espectroscopia elemental, contenido de agua, etc.) se realiza en un laboratorio
de análisis de aceite externo.
 Ubicación:

Las muestras se toman del cárter de aceite del elemento compresor, idealmente
desde un grifo de muestreo en la línea de retorno o en el fondo del cárter (después de una
breve recirculación).

 Frecuencia de Muestreo:

Periódica: Cada 250 a 1000 horas de operación, o cada 3 a 6 meses, siguiendo las
recomendaciones del fabricante y el historial de resultados. La muestra debe tomarse con el
equipo en funcionamiento o inmediatamente después de detenerlo para asegurar que los
contaminantes estén suspendidos y la muestra sea representativa.

MÉTODOS DE MANTENIMIENTO PREDICTIVO PARA BOMBAS EN LA

INDUSTRIA PETROLERA.
 Las bombas son el caballo de batalla en cualquier operación petrolera, manejando
desde crudo, agua de formación hasta productos refinados. Su fiabilidad es crucial, y el
mantenimiento predictivo es la mejor estrategia para evitar fallas catastróficas y paradas no
programadas.

a) ANÁLISIS DE VIBRACIONES.

El análisis de vibraciones es el método principal para detectar problemas mecánicos

incipientes en la bomba y su motor, incluyendo desequilibrio, desalineación (entre la
bomba y el motor), rodamientos defectuosos, cavitación, problemas en el impulsor
(desgaste, daño, obstrucción), holguras estructurales y resonancia.

Recopilación de Datos:

 Sensores:

Se utilizan principalmente acelerómetros piezoeléctricos. Para aplicaciones de alta

criticidad, o si la bomba es de alta velocidad y usa cojinetes de diario (no rodamientos), se
pueden complementar con sensores de proximidad (Eddy Current) para monitorear el
movimiento relativo del eje.

 Ubicación:

Los acelerómetros se instalan en las carcasas de los rodamientos de la bomba (lado

acople y lado libre), así como en la carcasa de la voluta de la bomba. Es importante también
medir en la base o cimentación para detectar problemas estructurales.

 Frecuencia de Muestreo:

Monitoreo Continuo (Online): Para bombas de alta criticidad o aquellas que manejan
fluidos peligrosos/inflamables, los sensores están permanentemente instalados y conectados
a un sistema de monitoreo de condición (CMMS, SCADA con módulos de vibración). La
frecuencia de muestreo de los datos brutos puede ir de 10 kHz a 20 kHz por canal para
capturar el espectro completo de vibraciones. Los parámetros clave (velocidad RMS, picos,
envolvente para rodamientos, espectros) se registran y se envían alertas automáticamente
cada 1 a 5 minutos.
Monitoreo Periódico (Offline): Utilizando colectores de datos portátiles. La frecuencia de
las rondas de medición dependerá de la criticidad y el historial de la bomba:

Bombas críticas (ej., crudo, agua de inyección): Semanal o quincenal.

Bombas de criticidad media (ej., agua de servicio, refrigeración): Mensual.

Bombas de baja criticidad o en stand-by: Bimensual o trimestral. Durante las rondas, se

recopilan datos de vibración en al menos tres direcciones (horizontal, vertical y axial) en
cada punto de medición.

b) TERMOGRAFÍA INFRARROJA.

La termografía permite detectar puntos calientes anómalos que indican fricción

excesiva en rodamientos o sellos, obstrucciones en las líneas de balance de sello, o
sobrecalentamiento del fluido.

Recopilación de Datos:

 Sensores:

La herramienta principal es una cámara termográfica portátil. Para monitoreo

continuo de puntos críticos de difícil acceso, se pueden considerar sensores IR fijos y
puntuales.

 Ubicación:

Las mediciones se realizan en la carcasa de la bomba, los rodamientos accesibles, el

sello mecánico y sus líneas de flushing/enfriamiento, así como en las tuberías de succión y
descarga.

 Frecuencia de Muestreo (Inspección):

Inspección Periódica: Típicamente mensual o trimestral para bombas en operación

continua. La inspección implica tomar varias imágenes termográficas de cada componente
relevante. Se registran las temperaturas máximas, mínimas y promedios, junto con la
temperatura ambiente y las condiciones de operación (caudal, presión). Se buscan
diferencias significativas de temperatura entre componentes similares o respecto a la
temperatura ambiente.
 c) MONITOREO DE PARÁMETROS DE PROCESO.

Los cambios en los parámetros operativos de la bomba son excelentes indicadores

de su rendimiento y eficiencia, y pueden alertar sobre problemas como desgaste del
impulsor, cavitación, obstrucciones en la succión o descarga, problemas de sellado, o
variaciones en las propiedades del fluido.

Recopilación de Datos:

 Sensores:

Se emplean transductores de presión (succión y descarga), transductores de

temperatura (fluido de succión y descarga, temperatura de carcasa), y sensores de flujo
(caudalímetro en la línea de descarga). También se monitorea la potencia eléctrica (kW)
consumida por el motor.

 Ubicación:

Los sensores están integrados en las tuberías y la bomba según las recomendaciones
del fabricante.

 Frecuencia de Muestreo (Adquisición de Datos):

Monitoreo Continuo: Estos sensores suelen estar conectados al sistema de control de la

bomba (PLC/DCS) y al sistema SCADA de la planta. Los datos se muestrean y registran
cada poco segundo a 1 minuto, permitiendo un análisis de tendencias detallado.

Análisis de Rendimiento: Es crucial monitorear la curva de rendimiento de la bomba

(presión vs. caudal, potencia vs. caudal) y compararla con las curvas de diseño. Un
desplazamiento de la curva o una caída de la eficiencia para las mismas condiciones de
operación es un claro signo de desgaste interno.

TÉCNICAS DE ANÁLISIS DE DATOS (BIG DATA) PARA LA PREDICCIÓN DE

FALLOS.
Explicación de cómo se integran y almacenan los grandes volúmenes de
datos generados por los sensores (plataformas de big data, bases de datos no
relacionales).

Los sistemas de IoT industrial generan grandes volúmenes de datos que requieren
integración y almacenamiento eficientes. Esto se logra mediante arquitectura que usa
dispositivos "edge" conectados a equipos industriales a través de protocolos como OPC
UA, Modbus y MQTT, el cual permite un flujo de datos en tiempo real. Los datos
recopilados se envían a soluciones en la nube para su procesamiento y transformación
utilizando plataformas como Azure IoT Hub. Las bases de datos de series de tiempo
(TSDB) son esenciales para gestionar datos temporales, facilitando el análisis en tiempo
real y la detección de anomalías. Además, los lagos de datos almacenan datos en su formato
nativo, mientras que las bases de datos NoSQL son adecuadas para manejar datos no
estructurados, proporcionando flexibilidad y escalabilidad en aplicaciones de Big Data e
IoT.

Proposición de algoritmos o técnicas de análisis de datos para identificar patrones y

predecir fallos.

Elegir Machine Learning para el mantenimiento predictivo en una empresa petrolera

ofrece múltiples beneficios clave, debido a la naturaleza crítica y costosa de sus
operaciones y equipos. Aquí las razones principales:

 Reducción de fallos y averías no planificadas:

Los algoritmos de Machine Learning pueden analizar grandes volúmenes de datos

de sensores (vibración, temperatura, presión, etc.) para identificar patrones y anomalías que
indican un posible fallo del equipo antes de que ocurra. Esto permite programar el
mantenimiento de forma proactiva, evitando paradas inesperadas que son extremadamente
costosas en la industria petrolera.

 Optimización de costos de mantenimiento:

 Al predecir cuándo y qué equipo necesita mantenimiento, se evita el mantenimiento
innecesario o basado en calendarios fijos. Esto reduce los costos de mano de obra, piezas de
repuesto y el tiempo de inactividad de la maquinaria. Se estima que puede reducir los
costos de mantenimiento hasta en un 30%.

 Prolongación de la vida útil de los activos:

Al realizar el mantenimiento en el momento justo, se minimiza el desgaste excesivo

de los equipos, lo que contribuye a extender su vida útil y maximizar el retorno de la
inversión en activos de alto valor.

 Aumento de la disponibilidad y eficiencia operativa:

Con menos interrupciones no planificadas, la maquinaria está disponible para operar

durante más tiempo, lo que mejora la eficiencia general de la producción y la rentabilidad.

 Mejora de la seguridad:

La predicción de fallos reduce el riesgo de accidentes relacionados con el mal

funcionamiento de la maquinaria, protegiendo al personal y el medio ambiente, lo cual es
crucial en una industria con riesgos inherentes como la petrolera.

 Gestión optimizada de inventario de repuestos:

Al saber con antelación qué piezas se necesitarán, se puede optimizar el inventario

de repuestos, evitando la escasez o el exceso de existencias.

 Toma de decisiones basada en datos:

El Machine Learning proporciona información precisa y actualizada sobre el estado

de los equipos, permitiendo a los equipos de mantenimiento tomar decisiones más
informadas y estratégicas.

La implementación de Machine Learning en el mantenimiento predictivo en la

industria petrolera se traduce en una mayor confiabilidad, eficiencia, seguridad y, en última
instancia, una significativa reducción de costos y aumento de la rentabilidad.
VISUALIZACIÓN DE DATOS Y PREDICCIONES EN MANTENIMIENTO
PREDICTIVO CON MACHINE LEARNING.

La visualización es crucial para transformar los complejos datos y predicciones

generados por el Machine Learning en información comprensible y accionable para los
equipos de mantenimiento y operación en una empresa petrolera. Aquí te describimos cómo
se visualizarían:

I. PANELES DE CONTROL (DASHBOARDS) INTERACTIVOS.

Los paneles de control serían la interfaz principal. Imagina una serie de pantallas
que ofrecen una vista panorámica del estado de los equipos.

 Vista General de Flota/Planta: Un mapa interactivo o un diagrama de la planta

mostraría el estado de cada activo con códigos de color:

o Verde: Operación normal, sin riesgos detectados.

o Amarillo: Alerta temprana, se han detectado anomalías o desviaciones en los

parámetros. Indica que se debe monitorear más de cerca.

o Naranja: Riesgo moderado, la probabilidad de fallo ha aumentado. Sugiere una

inspección o planificación de mantenimiento a corto plazo.

o Rojo: Riesgo alto o inminente de fallo. Requiere atención inmediata y planificación

de una parada.

o Gris: Equipo fuera de servicio o en mantenimiento programado.

 KPIs Clave (Indicadores Clave de Rendimiento): Se mostrarían métricas

importantes como:

o Tiempo Medio Entre Fallos (MTBF): Tendencias históricas y proyecciones.

o Tiempo Medio de Reparación (MTTR): Para evaluar la eficiencia de las

intervenciones.

o Disponibilidad de Activos: Porcentaje de tiempo que un equipo está operativo.

o Costo de Mantenimiento: Desglosado por tipo de mantenimiento (predictivo vs.

reactivo).
 o Alertas Activas: Un contador claro de las alertas actuales y su nivel de criticidad.

II. GRÁFICOS DE SERIES TEMPORALES DETALLADOS.

Al hacer clic en un equipo específico en el panel de control, se accedería a una vista

más detallada con gráficos de series temporales.

 Tendencias de Parámetros de Sensores: Líneas de tiempo que muestran la

evolución de variables críticas como:
o Vibración: Gráficos de amplitud en el tiempo, a menudo con análisis espectrales
(FFT) para identificar frecuencias de fallo específicas.
o Temperatura: En diferentes puntos del equipo (rodamientos, motores, cajas de
engranajes).
o Presión: En tuberías, bombas o compresores.
o Nivel de Fluidos: Aceite, refrigerante, etc.
o Consumo de Energía: Para identificar ineficiencias o aumentos anómalos.
o Análisis de Aceite: Parámetros como la viscosidad, presencia de partículas
metálicas, humedad.
 Bandas de Umbrales y Límites Anormales: En estos gráficos, se superpondrían
líneas que representan los umbrales normales de operación y los límites a partir de
los cuales se considera una anomalía. Cuando la línea de datos cruza estos
umbrales, se activa una alerta.
 Predicciones Superpuestas: Las predicciones del Machine Learning se
visualizarían como una extensión de la línea de datos históricos. Por ejemplo, si el
modelo predice un aumento en la vibración que conducirá a un fallo en 30 días, esta
tendencia futura se proyectaría en el gráfico.
 Visualizaciones de Probabilidad de Fallo Gráficos de Probabilidad: Se
utilizarían gráficos de barras o medidores tipo velocímetro para mostrar la
probabilidad de fallo de un equipo en un período determinado (por ejemplo, en los
próximos 7, 30 o 90 días). Esto ayuda a priorizar las acciones.
 Curvas de Supervivencia: Para activos críticos, se podrían visualizar curvas que
muestren la probabilidad de que el equipo siga funcionando sin fallos con el tiempo,
basándose en el estado actual y las predicciones.
  Detección de Anomalías y Causas Raíz Gráficos de Dispersión/Clústeres: Para
visualizar cómo diferentes parámetros se relacionan entre sí y cómo las anomalías
se agrupan. Esto puede ayudar a identificar la causa raíz de un problema.
 Mapas de Calor (Heatmaps): Para mostrar la correlación entre diferentes variables
o para identificar patrones de comportamiento en grandes conjuntos de datos.
 Explicaciones de Modelos (XAI - Explainable AI): Algunas visualizaciones más
avanzadas podrían mostrar qué variables o características están contribuyendo más a
la predicción de un fallo. Por ejemplo, un gráfico de "importancia de características"
que indique que el aumento de la temperatura del rodamiento y la vibración en una
frecuencia específica son los principales predictores de un fallo.
 Registros de Eventos y Recomendaciones de Mantenimiento Cronología de
Eventos: Una línea de tiempo que muestre cuándo se activaron las alertas, cuándo
se realizó una inspección o mantenimiento, y los resultados.

IMPLEMENTACIÓN DE MANTENIMIENTO PREVENTIVO AUTOMATIZADO:

Cómo las predicciones de fallos se traducirían en acciones de mantenimiento

preventivo automatizadas.

El protocolo de mantenimiento predictivo se activa, generando alertas rápidas. Esto

se traduce en acciones concretas y automatizadas:

 Generación automática de órdenes de trabajo:

Cuando se detecta un umbral de vibración crítico, un aumento de temperatura o

cualquier otra anomalía significativa, el sistema de gestión de mantenimiento
computarizado (CMMS) puede crear automáticamente una orden de trabajo. Esto asegura
que las tareas de mantenimiento necesarias se inicien sin demora manual, agilizando el
proceso y reduciendo el tiempo de respuesta.

 Programación automática de inspecciones:

Basándose en la degradación predicha de un activo, el sistema puede programar

automáticamente inspecciones o tareas de mantenimiento preventivo. Esto optimiza la
programación del mantenimiento en función de la condición real del equipo, en lugar de
seguir calendarios fijos, lo que reduce el mantenimiento innecesario y maximiza el tiempo
de actividad del activo.

 Activación de alertas automáticas para el personal de mantenimiento:

Las predicciones de fallos se comunican al personal a través de diversos métodos,

como SMS, correo electrónico o directamente a través de sistemas SCADA/CMMS. Estas
notificaciones en tiempo real aseguran que el personal relevante sea informado de
inmediato sobre posibles problemas, permitiéndoles tomar medidas proactivas.

 Integración con el sistema de gestión de mantenimiento (CMMS) existente:

La integración con un CMMS es fundamental para la planificación y ejecución de

tareas. El CMMS actúa como una base de datos centralizada que almacena toda la
información relacionada con el mantenimiento, incluyendo órdenes de trabajo, historial de
mantenimiento, inventario de repuestos y programas de mantenimiento preventivo. Esta
integración permite que los datos de los sensores se combinen con datos históricos y
modelos predictivos para proporcionar análisis predictivos completos a los equipos de
mantenimiento.

FLUJO DE INFORMACIÓN DESDE LA DETECCIÓN DE UNA ANOMALÍA

HASTA LA EJECUCIÓN DE LA ACCIÓN PREVENTIVA.

El flujo de información en un sistema de mantenimiento predictivo automatizado es

un ciclo continuo de monitoreo, análisis y acción:

1. Detección de Anomalías:

Los sensores instalados en el equipo (por ejemplo, vibración, temperatura, corriente,

ultrasonido) monitorean continuamente los parámetros operativos. Cuando los datos de los
sensores se desvían de los parámetros normales o exceden los umbrales predefinidos, se
detecta una anomalía.

2. Adquisición y Transmisión de Datos:

Los datos de los sensores se recopilan y, a menudo, se preprocesan en el borde

(edge devices) para reducir la latencia y permitir el análisis en tiempo real. Luego, estos
datos se transmiten a una plataforma centralizada en la nube o a un servidor local,
típicamente a través de protocolos IIoT como MQTT.

3. Análisis y Diagnóstico:

En la plataforma central, los grandes volúmenes de datos se integran y almacenan

en bases de datos de series de tiempo o NoSQL. Aquí, los algoritmos de aprendizaje
automático y análisis de series de tiempo analizan los datos para identificar patrones,
diagnosticar fallas y predecir la vida útil restante (RUL) o la probabilidad de falla. El
análisis de correlación también se utiliza para identificar las relaciones ocultas entre los
parámetros y las causas raíz de las anomalías.

4. Generación de Predicciones y Alertas:

Basándose en los resultados del análisis, el sistema genera predicciones sobre

posibles fallas. Si una predicción indica un riesgo inminente o un umbral crítico, se activa
una alerta automática.

5. Creación de Órdenes de Trabajo Automatizadas:

La alerta o predicción se integra con el sistema CMMS existente. El CMMS crea

automáticamente una orden de trabajo, especificando la naturaleza del problema, el activo
afectado y las tareas de mantenimiento recomendadas.

6. Asignación y Programación:

La orden de trabajo se asigna al personal de mantenimiento adecuado y se programa

en función de la criticidad, la disponibilidad de recursos y la ventana de oportunidad para el
mantenimiento planificado.

7. Ejecución y Retroalimentación:

Los técnicos ejecutan la orden de trabajo. Una vez completada, la información de la

orden de trabajo (por ejemplo, tipo de mantenimiento, piezas utilizadas, tiempo de
inactividad) se registra en el CMMS, retroalimentando el sistema y mejorando la precisión
del motor predictivo para futuras predicciones. Este ciclo de mejora continua es
fundamental para la evolución del programa de PdM.
BENEFICIOS ESPERADOS Y DESAFÍOS.

La implementación del mantenimiento predictivo ofrece una serie de beneficios

transformadores para las operaciones industriales, pero también presenta desafíos que
deben abordarse estratégicamente. Beneficios Esperados y Cuantificación La adopción del
mantenimiento predictivo genera un retorno de la inversión significativo y cuantificable en
diversas áreas:

1. Reducción de Costos por Paradas No Planificadas:

El PdM puede reducir el tiempo de inactividad no planificado hasta en un 50%. Esto

se traduce en ahorros sustanciales, ya que las interrupciones de producción pueden costar
por hora en industrias de proceso. La capacidad de predecir fallas permite programar el
mantenimiento durante paradas planificadas, evitando las costosas interrupciones de
emergencia.

2. Reducción de Costos de Mantenimiento:

La investigación demuestra que el mantenimiento predictivo reduce los costos

generales de mantenimiento entre un 18% y un 25% , y los gastos de reparación de
emergencia hasta en un 60%.

3. Aumento de la Disponibilidad de Activos:

Al anticipar y prevenir fallas, el PdM aumenta el tiempo de actividad de los equipos

y la disponibilidad de los activos entre un 20% y un 40%. Esto se logra al optimizar la
programación de las intervenciones de mantenimiento, asegurando que los equipos
funcionen con un rendimiento óptimo.

4. Optimización del Inventario de Repuestos:

El conocimiento de qué piezas fallarán de antemano permite a las empresas evitar el

exceso de existencias y reducir los costos de inventario, al tiempo que garantiza la
disponibilidad de piezas críticas cuando se necesitan. Esto simplifica la elaboración de
presupuestos y reduce el desperdicio.
 5. Mejora de la Seguridad:

Al detectar problemas potenciales antes de que se conviertan en fallas catastróficas,

el PdM contribuye a un entorno de trabajo más seguro para el personal. La prevención de
fallas inesperadas reduce los riesgos asociados con averías repentinas del equipo.

6. Optimización Energética:

Los sistemas predictivos mejoran la eficiencia energética hasta en un 36% al

monitorear continuamente métricas de rendimiento como el consumo de energía y la
temperatura operativa, lo que lleva a menores costos operativos y una menor huella de
carbono.

7. Mejora de la Calidad del Producto:

El PdM asegura que las máquinas operen dentro de parámetros óptimos, lo que
impacta directamente en la calidad del producto. La detección temprana de desviaciones del
rendimiento ideal previene la producción de productos defectuosos, reduciendo los
reclamos de garantía y las retiradas.

DESAFÍOS POTENCIALES DURANTE LA IMPLEMENTACIÓN.

A pesar de sus considerables beneficios, la implementación del mantenimiento

predictivo no está exenta de desafíos:

1. Costo Inicial:

La transición al mantenimiento predictivo a menudo implica costos iniciales

significativos. Esto incluye la instalación de sensores, la compra de software especializado
y el hardware necesario, que pueden ser costosos. Además, el tiempo y los recursos
necesarios para integrar estas nuevas tecnologías en los sistemas existentes pueden generar
presión en los presupuestos y las operaciones a corto plazo.

2. Resistencia al Cambio y Capacitación del Personal:

La introducción de PdM puede enfrentar resistencia por parte de los empleados

acostumbrados a las prácticas de mantenimiento tradicionales. Superar esta resistencia
requiere invertir en programas de capacitación integrales para ayudar a los empleados a
comprender los beneficios y la funcionalidad de las herramientas de PdM. Es crucial
comunicar claramente cómo estas tecnologías mejoran sus roles en lugar de reemplazarlos,
fomentando una cultura de aprendizaje continuo.

3. Integración de Sistemas y Compatibilidad Tecnológica:

La transición tecnológica al mantenimiento predictivo requiere una integración

perfecta con los sistemas existentes, como los sistemas de planificación de recursos
empresariales (ERP) y los CMMS. Un ecosistema industrial a menudo consta de una
amplia gama de maquinaria de diferentes fabricantes, lo que hace que la integración
tecnológica sea un desafío significativo. Los sistemas incompatibles y los equipos
heredados pueden obstaculizar la implementación. Se recomienda adoptar un enfoque
modular para la integración tecnológica y utilizar plataformas de middleware para conectar
diferentes sistemas. La modernización de equipos más antiguos con tecnología de sensores
puede integrarlos en el marco de PdM.

4. Calidad y Disponibilidad de los Datos:

La precisión y disponibilidad de los datos son aspectos clave del mantenimiento

predictivo. La mala calidad de los datos, ya sea por sensores obsoletos o que funcionan mal,
o por prácticas de gestión de datos insuficientes, puede llevar a predicciones erróneas y a
una falta de fiabilidad en la información. Garantizar que los datos se recopilen, almacenen y
analicen de forma consistente y en tiempo real es crucial. Los grandes conjuntos de datos
requieren una infraestructura robusta para el almacenamiento y procesamiento, lo que
aumenta la complejidad técnica.

5. Seguridad de los Datos:

La recopilación de grandes volúmenes de datos conlleva un mayor riesgo de

problemas de seguridad y confidencialidad. Los sistemas de mantenimiento predictivo
deben cumplir con las regulaciones pertinentes en materia de privacidad de datos, y es
esencial implementar medidas sólidas de ciberseguridad para prevenir las brechas de datos.
Proteger la información sensible del acceso no autorizado, al tiempo que se aprovechan los
datos para obtener información, es un desafío crítico que debe abordarse para evitar
posibles responsabilidades.
 CONCLUSIÓN.

La implementación de un programa de mantenimiento predictivo implica un cambio

hacia una gestión proactiva y basada en la condición de los activos. Analizar equipos
críticos como motores y bombas revela que sus fallas generan costos significativos,
impactando en la producción y seguridad. La anticipación de fallas se logra mediante el
análisis de datos de sensores y técnicas como la termografía y el análisis de vibraciones. La
evolución hacia la detección de anomalías a través de inteligencia artificial optimiza las
intervenciones. La calidad de los datos es crucial para la fiabilidad de los modelos
predictivos. Además, la automatización de mantenimiento cierra el ciclo del PdM,
traduciendo predicciones en mejoras operativas. Aunque los beneficios, como la reducción
de inactividad, son claros, existen desafíos relacionados con la inversión inicial y la
integración de sistemas. Se recomienda un enfoque por fases, invirtiendo en infraestructura
de datos y capacitación del personal para maximizar el retorno de inversión y fomentar la
adopción. Esto permitirá a las organizaciones aprovechar eficientemente el mantenimiento
predictivo y conseguir una ventaja competitiva.