El mantenimiento de motores eléctricos es un elemento crítico en la industria moderna. Estos motores están presentes en prácticamente todos los procesos productivos y su fallo inesperado puede provocar paradas no planificadas, pérdidas económicas significativas y riesgos operativos. En el contexto de la Industria 4.0, el mantenimiento predictivo se ha consolidado como una alternativa eficaz frente a los enfoques reactivos o puramente preventivos, ya que permite actuar cuando los datos indican que el estado del equipo empieza a degradarse, y no cuando el fallo ya se ha producido. Anticiparse al problema es hoy una ventaja competitiva clara.
Los motores eléctricos de inducción son uno de los componentes más utilizados en entornos industriales. Están presentes en cintas transportadoras, molinos, ventiladores, trituradoras y una amplia variedad de sistemas que operan de forma continua. En muchas instalaciones, estos equipos funcionan en régimen 24/7, lo que deja un margen mínimo para paradas imprevistas. Un fallo inesperado no solo implica reparar el motor, sino además detener procesos completos y reorganizar la producción.
Ilustración 1: Arquitectura integral de un sistema IIoT de bajo coste para la monitorización y predicción de fallos en motores eléctricos. Representación con IA. Fuente: SORA
El mantenimiento predictivo se basa en la monitorización continua de variables físicas que reflejan el estado del equipo. Entre ellas, la vibración destaca como una de las señales más informativas en motores eléctricos. Tanto los fallos mecánicos como los eléctricos generan patrones de vibración característicos —tanto en amplitud como en frecuencia— que pueden detectarse mucho antes de que el problema sea visible o audible. Esta información permite planificar intervenciones con antelación y reducir tanto costes como riesgos. Sin embargo, la implantación de sistemas de mantenimiento predictivo en la industria no es trivial. Las soluciones comerciales suelen ser costosas, cerradas y poco flexibles, lo que dificulta su adaptación a distintos entornos. Además, la gran cantidad de datos generados plantea desafíos de almacenamiento y procesamiento. Este estudio científico aborda dichas limitaciones desde una perspectiva práctica, proponiendo una arquitectura basada en hardware asequible, software de código abierto y procesamiento distribuido entre sensores, pasarelas y la nube.
Sistema IIoT de bajo coste con arquitectura distribuida
Ilustración 2: Arquitectura IIoT desplegada. Fuente propia: Autores
El sistema propuesto se estructura en una arquitectura de tres capas: edge, fog y cloud.
En la capa edge se encuentran los sensores inalámbricos, encargados de captar las señales de vibración directamente en los motores. Estos sensores integran acelerómetros capaces de tomar muestras de la magnitud de vibración a elevadas frecuencias, lo que permite registrar con precisión el comportamiento dinámico del motor. La instalación es rápida y no invasiva, un aspecto clave en entornos industriales en funcionamiento.
La capa fog está formada por pasarelas o gateways, basadas en computadoras de placa única de bajo coste. Estas pasarelas reciben los datos de múltiples sensores mediante comunicación inalámbrica de baja energía y realizan un preprocesamiento local convirtiendo las señales al dominio de la frecuencia mediante la transformada rápida de Fourier (FFT). Este enfoque reduce la cantidad de datos que deben enviarse a la nube y mejora la latencia del sistema.
Finalmente, la capa cloud se encarga del almacenamiento, la visualización y el análisis avanzado de la información. Para ello se ha utilizado una infraestructura completamente abierta, basada en tecnologías como MQTT, Node-RED, InfluxDB y Grafana. El uso de software de código abierto permite reproducir y escalar el sistema sin depender de proveedores propietarios, lo que facilita su adopción en distintos contextos industriales y ofrece flexibilidad para su despliegue en entornos de nube pública o privada.
Análisis de vibraciones para detectar anomalías de funcionamiento
El núcleo del sistema de monitorización es el análisis de vibraciones. Las señales capturadas por los sensores se analizan tanto en el dominio del tiempo como en el dominio de la frecuencia. En el dominio del tiempo, se evalúan magnitudes como la velocidad de vibración en distintos ejes, comparándolas con los umbrales definidos en normas internacionales como la ISO 20816. Superar estos umbrales es un indicador claro de funcionamiento anómalo. El análisis en el dominio de la frecuencia aporta una visión más detallada, obteniendo espectros de frecuencia en los que aparecen picos asociados a componentes específicos del motor y de la carga. Cada tipo de fallo genera frecuencias características, por ejemplo asociadas a la rotación del eje, a las aspas de un ventilador o a defectos en los rodamientos. El seguimiento de la evolución temporal de estas frecuencias permite detectar degradaciones progresivas.
La detección de anomalías no se basa en una única medición, sino en el análisis de series temporales, lo que reduce falsos positivos y proporciona información más fiable a los técnicos de mantenimiento.
Validación en una planta industrial real
Una de las aportaciones más relevantes de este trabajo es la validación en un entorno industrial real. El sistema se ha desplegado en una planta cementera, monitorizando dos motores eléctricos que accionan ventiladores industriales. Estos motores presentan diferentes estados dentro de su ciclo de mantenimiento preventivo, lo que ha permitido contrastar los datos obtenidos con la situación real de cada equipo.
Durante el periodo de monitorización se detectaron niveles elevados de vibración en uno de los motores, superando los umbrales de seguridad establecidos por la normativa. Esta anomalía coincidía con un estado de mayor desgaste del motor, que se encontraba cerca del final de su ciclo de mantenimiento. La coherencia entre los datos del sistema y la realidad operativa refuerza la validez del enfoque propuesto.
Además de la detección de anomalías, el despliegue permitió evaluar aspectos prácticos como el alcance de la comunicación inalámbrica entre sensores y pasarelas, el número máximo de sensores soportados por pasarela y la capacidad de procesamiento concurrente de las pasarelas. Estos resultados son esenciales para dimensionar correctamente el sistema en una planta industrial y demuestran que es posible implementar soluciones IIoT efectivas con recursos limitados.
Predicción del tiempo de vida útil restante con aprendizaje automático
Más allá de la detección de anomalías, el trabajo aborda también uno de los retos más complejos del mantenimiento predictivo: la predicción del tiempo de vida útil restante (RUL) de los componentes. En los motores eléctricos, los rodamientos son una de las principales causas de fallo. Anticipar cuándo un rodamiento alcanzará un estado crítico permite planificar su sustitución de forma óptima. Para abordar este problema se ha desarrollado una técnica basada en redes neuronales recurrentes, concretamente modelos BiLSTM. Estas redes son especialmente adecuadas para modelar secuencias temporales, ya que pueden capturar dependencias a largo plazo en los datos.
El enfoque seguido consiste en extraer características relevantes de las señales de vibración, construir un índice de salud que refleje la degradación del componente y predecir su evolución futura. Dado que en entornos industriales reales no es viable dejar que los motores fallen para obtener datos de entrenamiento, los modelos se han entrenado y validado utilizando conjuntos de datos públicos ampliamente contrastados en la literatura científica.
Los resultados muestran predicciones precisas y robustas, incluso al aplicar los modelos a motores y condiciones de funcionamiento diferentes, sin necesidad de reentrenamiento. Esto refuerza el potencial de la técnica para su uso en aplicaciones reales.
Ilustración 3: Predicción del tiempo de vida útil restante (RUL)
Implicaciones prácticas y líneas futuras de investigación
Los resultados obtenidos demuestran que el mantenimiento predictivo avanzado no está reservado a soluciones costosas y cerradas. Es posible combinar hardware asequible, software abierto y técnicas modernas de análisis de datos para construir sistemas eficaces y adaptables. Este enfoque reduce las barreras de entrada y facilita la adopción de tecnologías de Industria 4.0 en empresas de distintos tamaños.
Referencias
- Magadán, L., Suárez, F.J., & Granda, J. C. (2023). Monitorización de estado, detección de anomalías de funcionamiento y predicción de fallos en motores eléctricos. Jornadas SARTECO.
