Recursos — La ciencia detrás del mantenimiento predictivo

01Estimación de estado

Qué aprenderás: Qué es un algoritmo de estimación recursiva y cómo su ciclo de predicción y corrección reconstruye el estado verdadero de un sistema a partir de mediciones con ruido. Incluye la historia real: el filtro extendido que Stanley Schmidt adaptó en NASA Ames y que voló en la computadora de guiado del Apolo como corazón de la navegación inercial.
En la planta: Los sensores industriales mienten: vibración, interferencia electromagnética, latencia de red. Antes de que una lectura alimente cualquier modelo o dispare una alerta, hay que separar la señal del ruido. También permite estimar variables que no se pueden medir directamente, cuando poner un sensor dentro del equipo es imposible.

02Relación entre variables

Qué aprenderás: Cómo modelar una variable continua a partir de varias independientes: coeficientes, significancia, colinealidad y validación del modelo. Y por qué correlación no es causalidad, que es donde más se equivoca quien empieza.
En la planta: Una caída de presión en aire comprimido casi nunca tiene una sola causa. El modelo permite separar cuánto aporta cada factor —demanda, temperatura ambiente, estado de las válvulas, carga eléctrica— en lugar de culpar al primero que aparece.

03Clasificación

Qué aprenderás: La función logística, la razón de momios y cómo convertir variables continuas en una probabilidad entre 0 y 1. Incluye lo que casi nunca se explica: cómo elegir el umbral de decisión y qué pasa con clases desbalanceadas, que es la norma cuando las fallas son raras.
En la planta: La pregunta del jefe de mantenimiento es binaria: ¿interviene este turno o puede esperar? El modelo entrega una probabilidad, y el umbral se fija según lo que cuesta cada error — una falsa alarma y una falla no prevista no cuestan lo mismo.

04Tiempo hasta el evento

Qué aprenderás: Cómo se calcula la probabilidad de que algo siga funcionando más allá de un tiempo t, qué son los datos censurados y por qué son la clave del método. Viene de la investigación clínica y se traduce casi sin cambios a la confiabilidad de equipos.
En la planta: Es la base de la vida útil restante. No dice «la bomba va a fallar», dice con qué probabilidad llega a cada fecha — que es lo que permite elegir la ventana de intervención en vez de reaccionar.

05Comportamiento en el tiempo

Qué aprenderás: Descomposición en tendencia, estacionalidad y residuo. Modelos ARIMA y suavizamiento exponencial, y por qué una serie no estacionaria rompe casi cualquier análisis si no se trata antes.
En la planta: Una planta respira distinto según el turno, el clima y la demanda. Reconocer ese ritmo es lo que permite ajustar los umbrales al ciclo normal y no llenar de falsas alarmas el arranque de cada lunes.

06Detección de anomalías

Qué aprenderás: Qué es el residuo —la diferencia entre lo observado y lo que el modelo predijo—, cómo se diagnostica un modelo a partir de sus residuos y por qué un residuo que deja de comportarse como ruido es información, no error.
En la planta: Es el corazón del método de Sentinel. Si la física dice que ese sistema debería consumir X y consume Y, esa diferencia es la señal. Cuando el residuo empieza a crecer de forma sostenida, algo cambió en el sistema — semanas antes de que se oiga o se caliente.

07Transiciones de estado

Qué aprenderás: Procesos estocásticos donde el futuro depende solo del estado presente. Matrices de transición, estados absorbentes y tiempo esperado hasta la absorción.
En la planta: El desgaste no es una línea recta: un rodamiento pasa de sano a desgaste leve, a crítico, a falla. Modelar esas transiciones permite estimar cuándo se cruza cada frontera y planear refacciones con anticipación real.

08Relaciones no lineales

Qué aprenderás: Árboles de decisión, ensamblado por bagging e importancia de variables. Y su límite honesto: un bosque predice bien pero explica mal, y en mantenimiento una predicción que no se puede explicar no se puede accionar.
En la planta: Sirve para encontrar candidatos a correlación entre sistemas distintos —una caída breve de tensión y un defecto de producto media hora después— que luego hay que confirmar con física. Nunca lo usamos como fuente última del diagnóstico.