Els tres nivells de manteniment (i per què el predictiu és diferent)
- Manteniment reactiu: es repara quan la màquina falla. És el més barat a curt termini i el més car a llarg termini — la fallada sol arribar en el pitjor moment i amb el cost més alt.
- Manteniment preventiu: es repara o revisa segons un calendari fix (cada X hores d'ús, cada Y mesos), independentment de l'estat real de l'equip. Redueix fallades inesperades, però també genera intervencions innecessàries en màquines que encara estaven bé.
- Manteniment predictiu: utilitza dades en temps real (vibració, temperatura, consum elèctric, soroll) i models de machine learning per predir quan fallarà una màquina concreta, i actuar just abans que passi — ni massa aviat ni massa tard.
Com funciona a la pràctica
- Sensors IoT instal·lats a l'equip recullen dades contínuament: vibració, temperatura, consum elèctric, pressió, soroll.
- Aquestes dades alimenten un pipeline d'enginyeria de dades que les centralitza i les neteja —el mateix tipus d'infraestructura que ja vam cobrir en parlar de Data Lake vs Data Warehouse—.
- Un model de machine learning, entrenat amb l'històric de fallades d'aquesta màquina o de màquines similars, detecta patrons anòmals que solen precedir una avaria.
- Quan el model detecta aquests patrons, genera una alerta automàtica a l'equip de manteniment, amb marge suficient per planificar la intervenció sense aturar la producció de manera imprevista.
L'estalvi real: què diuen les dades del sector
- Reducció del 30-50% en temps d'inactivitat no planificat.
- Els sistemes actuals prediuen fallades amb 30 a 90 dies d'antelació i una precisió del 80-97%.
- Retorns documentats de 10:1 a 30:1 en 12-18 mesos, amb el 95% de les empreses que l'implementen reportant retorn positiu.
- 20-40% d'extensió en la vida útil dels equips.
- 15-20% de reducció en la despesa total de manteniment.
El cost d'una hora d'aturada varia enormement segons la mida de la planta —en grans fàbriques pot arribar a xifres de sis dígits—. El rellevant per a una pime no és igualar aquesta xifra, sinó aplicar la mateixa lògica a la seva pròpia escala: identificar quina aturada costa més, en temps i en diners, i començar per aquí.
Té sentit per a una pime, o és només per a grans fàbriques?
Ja no cal una inversió massiva en sensòrica industrial. Avui existeixen sensors IoT de baix cost i models de machine learning que poden entrenar-se amb menys dades històriques del que la majoria creu. El punt de partida real no és instal·lar sensors a tota la planta —això és un projecte de diversos anys i pressupost elevat—, sinó identificar les dues o tres màquines crítiques el fallo de les quals més impacta la producció o resulta més car de reparar, i començar allà.
El manteniment predictiu és una de les poques aplicacions d'IA amb ROI documentat i mesurable des del propi pilot —precisament perquè el KPI (temps d'inactivitat evitat, cost de reparació) ja existeix d'entrada a qualsevol planta. És el tipus de cas d'ús que separa les empreses que veuen ROI real de la IA de les que només l'adopten.
Checklist: com començar un pilot de manteniment predictiu
- Identifica les 2-3 màquines el fallo de les quals més impacta la producció o el cost de reparació.
- Audita quines dades ja recullis d'aquestes màquines — molts equips moderns ja tenen sensors integrats; sovint només cal centralitzar aquestes dades.
- Defineix amb precisió la "fallada" que vols predir: no "que es trenqui", sinó la mètrica concreta que l'anticipa (per exemple, un llindar de vibració o temperatura).
- Comença amb un pilot de 60-90 dies sobre aquestes màquines concretes, no amb un desplegament de tota la planta.
- Mesura el temps d'inactivitat evitat i el cost de manteniment abans i després, per decidir amb dades si escalar el pilot a la resta de la planta.
Conclusió
El manteniment predictiu porta anys provat en fabricació i logística, amb dades de ROI més sòlides que la majoria d'aplicacions d'IA generativa que avui acaparen la conversa. La barrera per a les pimes del sector no sol ser tècnica ni de cost —és simplement no saber per on començar. La resposta gairebé sempre és la mateixa: no tota la planta, dues o tres màquines crítiques.
A Dataverse Solutions dissenyem pilots de manteniment predictiu acotats als equips on l'estalvi és més clar, perquè el resultat es pugui mesurar des del primer trimestre.
Preguntes freqüents
Quantes dades històriques necessito per entrenar un model de manteniment predictiu?
Depèn de l'equip, però molts pilots parteixen de 6 a 12 mesos de dades de sensors combinades amb l'històric d'incidències de manteniment. No cal acumular anys de dades per obtenir els primers senyals útils sobre una màquina concreta.
El manteniment predictiu només té sentit per a fàbriques grans?
No. Comença sent rendible en les màquines crítiques de qualsevol mida de planta. La clau està a acotar el pilot als equips on el temps d'inactivitat o la reparació són més cars, en lloc d'intentar cobrir tota la planta des del primer dia.