Antecedentes del proyecto
El cliente es una empresa de logística entre las 10 principales de China, con más de 50 centros de clasificación en todo el país y activos de equipos superiores a 1.000 millones de yuanes. El modelo tradicional de mantenimiento correctivo provocaba frecuentes fallos en los equipos, generando pérdidas anuales por inactividad superiores a 20 millones de yuanes.
Puntos críticos de dolor
Solución
Capa de recopilación de datos IoT
Despliegue de sensores de vibración, temperatura y corriente en equipos críticos (motores de cintas transportadoras, clasificadoras, elevadores), compatibles con múltiples protocolos como Modbus, OPC-UA y MQTT. Los gateways perimetrales realizan preprocesamiento de datos y extracción de características, reduciendo los costes de transmisión a la nube.
Motor de predicción de IA
Modelo de detección de anomalías temporales basado en LSTM+Transformer, que predice fallos de equipos con 7 días de antelación y una precisión del 92%. Identifica automáticamente tipos de fallo (desgaste de rodamientos, desequilibrio, desalineación, etc.) y sugiere ventanas de mantenimiento y prioridades.
Panel de visualización de operaciones + Órdenes de trabajo automatizadas
Visualización en tiempo real del estado de salud de todos los equipos (tres niveles: verde/amarillo/rojo), con una línea de tiempo de predicción de fallos que ayuda al equipo de mantenimiento a planificar turnos con antelación. Al detectar una anomalía, la IA genera automáticamente una orden de trabajo de mantenimiento, asigna al ingeniero de reparación más adecuado y, si el inventario de repuestos es insuficiente, activa automáticamente una solicitud de compra.
Datos de resultados
| Indicador | Antes | Después | Mejora |
|---|---|---|---|
| Tasa de fallos de inactividad | 12% | 1.5% | ↓87.5% |
| Coste anual de mantenimiento | 8 millones | 4.4 millones | ↓45% |
| Tiempo medio de reparación | 4 horas | 1.5 horas | ↓62.5% |
| Rotación de inventario de repuestos | 90 días | 45 días | ↓50% |
| Paradas no planificadas | 36 veces/año | 5 veces/año | ↓86% |
> Resumen cuantitativo: la tasa de fallos de inactividad se redujo un 87.5% hasta el 1.5%, el coste anual de mantenimiento disminuyó un 45% hasta 4.4 millones de yuanes, las paradas no planificadas se redujeron un 86% a 5 veces al año, con alertas de fallos con 7 días de antelación y una precisión del 92%.
Stack tecnológico
Preguntas frecuentes
¿Con cuánta antelación puede alertar el mantenimiento predictivo IoT+AI sobre fallos?
El modelo de detección de anomalías temporales basado en LSTM+Transformer suele alertar sobre fallos con 7 días de antelación, con una precisión del 92%. En los equipos críticos (motores de cintas transportadoras, clasificadoras, etc.) se despliegan sensores de vibración, temperatura y corriente; los datos se preprocesan en los gateways perimetrales y se envían a la nube para su análisis.
¿Cuál es el período de retorno de la inversión en mantenimiento predictivo?
En este caso, el coste anual de mantenimiento se redujo de 8 millones a 4.4 millones de yuanes, ahorrando 3.6 millones al año. La inversión en el despliegue del sistema fue de aproximadamente 1.5 millones de yuanes, con un período de retorno de unos 5 meses. Además, las pérdidas por paradas no planificadas (originalmente 20 millones de yuanes al año) se redujeron significativamente.
¿Se puede integrar directamente con sistemas PLC/SCADA existentes?
Sí. Nos conectamos a los sistemas PLC/SCADA existentes mediante protocolos industriales estándar como Modbus, OPC-UA y MQTT, sin necesidad de reemplazar los equipos actuales. Los gateways perimetrales recopilan datos localmente y admiten la transmisión tras interrupciones de red, garantizando un funcionamiento estable en entornos de red complejos de la planta industrial.
