Protocolo de mantenimiento predictivo para motores reprogramados y líneas de escape TIG: variables clave y umbrales de alarma

Por qué los motores reprogramados y las líneas de escape TIG exigen un protocolo específico

Los motores reprogramados —aquellos que trabajan con variadores de frecuencia, arrancadores suaves o controladores lógicos que modifican sus parámetros de operación— no se comportan como un motor estándar de velocidad fija. Su régimen de trabajo cambia según la demanda del proceso, la receta activa o la consigna del sistema de control. Esto implica que un valor de vibración o temperatura que sería alarmante a plena carga puede ser completamente normal durante un arranque progresivo o una fase de baja demanda. Del mismo modo, las líneas de escape TIG operan en condiciones muy variables: extraen humos de soldadura, gases inertes y partículas metálicas en suspensión en ciclos que dependen del ritmo del soldador, del tipo de electrodo y del material base. Ambos activos comparten un rasgo crítico: su contexto operativo cambia constantemente, y un sistema de mantenimiento predictivo que no lo contemple generará falsos positivos o, peor aún, dejará pasar degradaciones reales.

Un protocolo de mantenimiento predictivo bien diseñado para estos equipos no puede limitarse a vigilar una variable aislada con un umbral fijo. Necesita combinar señales eléctricas, mecánicas, térmicas y de contexto, y necesita umbrales dinámicos que se adapten al modo de funcionamiento. La detección de anomalías multivariable —un enfoque que aprende cómo se relacionan entre sí las distintas señales cuando el equipo está sano— es la herramienta más eficaz para lograrlo. Este artículo propone un protocolo estructurado, con variables clave identificadas, umbrales de alarma recomendados y un flujo de actuación que convierte la alerta en decisión operativa, no en ruido.

Variables clave que debes monitorizar en motores reprogramados

La selección de variables no debe hacerse por disponibilidad del sensor, sino por capacidad explicativa del comportamiento del motor. En un motor con variador, las variables eléctricas son tan importantes como las mecánicas, porque muchas degradaciones incipientes se manifiestan primero en alteraciones sutiles de la corriente, el factor de potencia o el contenido armónico antes de que aparezcan vibraciones detectables o aumentos de temperatura. Un protocolo riguroso debe contemplar al menos cuatro familias de señales, integrarlas en un modelo único y evaluar su correlación en tiempo real.

• Variables eléctricas: corriente por fase, tensión de alimentación, potencia activa y reactiva, factor de potencia, distorsión armónica total (THD) y desequilibrio entre fases. Estas señales permiten detectar sobrecarga, degradación del aislamiento, problemas en el variador o fallos incipientes en el rotor.
• Variables mecánicas: vibración RMS y espectro en banda ancha, velocidad de giro, aceleración en alta frecuencia para rodamientos y patrón de frecuencias características (BPFO, BPFI, FTF). Son esenciales para identificar desbalanceo, desalineación, holguras y defectos en rodamientos.
• Variables térmicas: temperatura de carcasa, temperatura de devanados (si el motor dispone de RTD o termopares embebidos), temperatura de rodamientos y temperatura del armario del variador. El calor es un integrador: sube cuando algo está forzando al motor más de lo normal.
• Variables de contexto: consigna de velocidad del variador, carga del proceso aguas abajo, turno de operación, receta activa y estado lógico del sistema (arranque, parada, transición, mantenimiento). Sin estas señales, el modelo confundirá un cambio operativo legítimo con una anomalía.

La experiencia en plantas industriales muestra que los mejores resultados se obtienen cuando se combinan al menos dos variables eléctricas, dos mecánicas y una térmica con las señales de contexto. No se trata de cablear todo lo que el motor permita medir, sino de elegir aquellas señales que verdaderamente covarían cuando el activo se degrada. Un motor reprogramado sometido a frecuentes cambios de velocidad necesita que el modelo entienda que a 30 Hz la vibración esperable no es la misma que a 60 Hz, y eso solo se consigue si la consigna del variador alimenta el algoritmo de aprendizaje.

Qué monitorizar en las líneas de escape TIG y por qué suele pasarse por alto

Las líneas de escape para soldadura TIG son sistemas aparentemente sencillos —ventiladores, filtros, conductos y captadores— pero su fallo tiene consecuencias que van mucho más allá de una parada de producción. Un sistema de extracción deficiente compromete la calidad de la soldadura al permitir la contaminación del baño de fusión con oxígeno atmosférico, pone en riesgo la salud del soldador por exposición a humos metálicos y nanopartículas, y puede disparar los sistemas de detección de incendios o incumplir los límites de exposición ocupacional. Sin embargo, muchas plantas de fabricación los tratan como activos secundarios y solo intervienen cuando la extracción ya ha perdido eficacia de forma evidente.

El protocolo de mantenimiento predictivo para estas líneas debe cubrir tres frentes: el estado del ventilador de extracción, la obstrucción progresiva del sistema de filtrado y la integridad de los conductos. Las variables recomendadas incluyen la corriente del motor del ventilador, la presión diferencial antes y después de los filtros, el caudal de aire medido con anemómetro o sensor de flujo másico, la vibración del conjunto motor-ventilador y la temperatura en puntos calientes del sistema. Una obstrucción de filtros se manifestará como un aumento de la presión diferencial o una caída del caudal aunque el motor consuma la misma corriente. Un desgaste de rodamientos en el ventilador aparecerá primero en el espectro de vibración y después en la temperatura.

Umbrales de alarma recomendados para motores reprogramados

Definir umbrales fijos para un motor que cambia de régimen constantemente es la vía más rápida hacia la fatiga de alertas. En su lugar, un protocolo maduro emplea umbrales dinámicos que se ajustan al modo de operación y se expresan como desviación respecto a una línea base aprendida. Aun así, es útil disponer de valores de referencia orientativos que sirvan como punto de partida para la configuración inicial del sistema de monitorización. Los valores que se presentan a continuación están basados en normas ISO 10816-3 para vibración, IEC 60034 para máquinas eléctricas rotativas y en la experiencia de campo recogida en múltiples despliegues de anomaly detection multivariable en entornos industriales.

Estos umbrales no deben aplicarse de forma ciega. Un motor que trabaja habitualmente al 60 % de carga puede tener una vibración RMS de 1,8 mm/s como valor sano; si de repente sube a 3 mm/s sin cambio de consigna ni de carga, la alerta debe dispararse aunque no haya alcanzado el umbral de atención de la tabla. Por eso el modelo multivariable no solo mira cada variable por separado, sino que evalúa si el vector completo de señales se está desviando de la nube de puntos que define el comportamiento normal del motor en ese régimen concreto. La combinación de umbrales estadísticos con distancias de Mahalanobis o scores de reconstrucción en autoencoders proporciona una detección mucho más robusta.

Umbrales de alarma para líneas de escape TIG

Las líneas de escape que trabajan en campañas de soldadura intermitentes requieren un tratamiento especial. Si el sistema solo se activa durante los periodos de arco, el modelo debe segmentar los datos en modo extracción activa y modo reposo. Comparar la presión diferencial en ambos estados sin distinguirlos generaría alarmas espurias cada vez que el sistema se detiene. La inclusión de una señal lógica de estado del extractor o del contacto del arco de soldadura en el modelo de contexto resuelve este problema de forma elegante.

Arquitectura del sistema de monitorización: las cuatro capas que no pueden fallar

Un sistema operativo de anomaly detection multivariable para motores reprogramados y líneas de escape TIG se apoya en cuatro capas funcionales. Si alguna de ellas se descuida, el protocolo pierde efectividad aunque los sensores sean de alta gama y el algoritmo de aprendizaje automático sea sofisticado.

1. Captura y sincronización. Las señales deben muestrearse con una frecuencia suficiente para capturar eventos relevantes —al menos 1 Hz para variables térmicas y de presión, y entre 1 kHz y 10 kHz para vibración si se quiere analizar espectro— y deben alinearse temporalmente. Un desfase de segundos entre la consigna del variador y la lectura de vibración puede hacer que el modelo vea una anomalía donde solo hay un retardo de adquisición.
2. Contextualización de estados operativos. El modelo necesita etiquetar cada instante según el modo de funcionamiento: arranque del motor, régimen estable, cambio de velocidad, parada, soldadura activa en la línea TIG o sistema en espera. Esta segmentación evita que se comparen peras con manzanas y mejora drásticamente la precisión de la detección.
3. Modelado de normalidad. El algoritmo aprende la firma multivariable del equipo sano en cada modo operativo. Puede emplear técnicas como autoencoders, Isolation Forest, One-Class SVM o redes LSTM, dependiendo de la cantidad de datos disponibles y de la naturaleza secuencial de las señales. El objetivo es generar un score de anomalía que cuantifique cuán lejos está el vector actual de la nube de puntos de referencia.
4. Orquestación operativa. La alerta no es el final del proceso, es el principio. El sistema debe entregar, para cada evento, la severidad estimada, las variables que más contribuyen a la desviación, la evolución temporal de la anomalía y una recomendación de acción: inspeccionar, lubricar, planificar cambio de filtros, ajustar alineación o intervenir de inmediato.

Cuando estas cuatro capas se implementan de forma coherente, la alerta deja de ser un dato que se mira en un dashboard y se convierte en una herramienta de priorización que el equipo de mantenimiento espera cada mañana. La integración con el GMAO o la plataforma de gestión de mantenimiento permite que la alerta genere automáticamente una orden de trabajo con el activo afectado, la anomalía detectada y la ventana de intervención sugerida.

Protocolo de actuación: qué hacer cuando se dispara una alerta

Un buen modelo no termina en un score de anomalía. Tiene que ayudar a decidir. Por eso el protocolo de respuesta debe responder, como mínimo, a estas cuatro preguntas para cada alerta que el sistema genere:

• ¿Qué tan anómalo es el comportamiento? Comparado con el patrón normal del activo en ese contexto operativo concreto (arranque, plena carga, soldadura activa o reposo).
• ¿Qué variables explican la desviación? El sistema debe señalar las dos o tres señales que más contribuyen a la anomalía y mostrar cómo han evolucionado en las últimas horas o días.
• ¿La anomalía está creciendo, estabilizada o es intermitente? Una desviación que progresa día a día exige una respuesta más urgente que una fluctuación puntual.
• ¿Qué acción concreta tiene sentido ahora? Inspección visual, lubricación, verificación de alineación, comprobación eléctrica, cambio programado de filtros, intervención inmediata o simplemente seguimiento intensivo.

La clave para que el protocolo no se convierta en otro ejercicio burocrático es que esté conectado con el flujo real de trabajo. Cuando la alerta llega con trazabilidad y una hipótesis técnica fundamentada, la conversación en la reunión de mantenimiento cambia de «tenemos una alarma rara en el variador» a «el motor de la línea 3 muestra una desviación consistente en vibración y corriente durante los arranques, llevamos tres días de tendencia creciente y sugerimos revisar la alineación del conjunto antes del próximo cambio de turno». Esa diferencia de granularidad es la que convierte un proyecto de predictivo en un programa de fiabilidad.

Errores frecuentes que arruinan el retorno de la inversión

La mayoría de los proyectos de mantenimiento predictivo que no alcanzan los resultados esperados tropiezan con los mismos obstáculos. Identificarlos de antemano permite diseñar un protocolo que los esquive desde la fase de planificación. Estos son los cinco errores más costosos que hemos observado en despliegues sobre motores con variador y sistemas de extracción:

• Modelar sin separar modos operativos. Un motor reprogramado no es igual de normal en arranque, a media carga y a plena carga. Mezclar todos los datos en un único modelo de normalidad diluye la capacidad de detectar desviaciones sutiles.
• Ignorar la calidad y la sincronía del dato. Huecos en la serie temporal, desalineación entre señales y cambios de escala no documentados generan falsas anomalías que erosionan la confianza del equipo en el sistema.
• Querer predecir el fallo exacto desde el primer día. En la fase inicial es más valioso detectar que algo está cambiando y ganar capacidad de diagnóstico gradualmente. Prometer una taxonomía precisa de averías sin suficiente histórico de fallos etiquetados solo genera frustración.
• No definir quién actúa ante cada nivel de severidad. Si la alerta no tiene un responsable claro y un procedimiento de respuesta definido, se convierte en ruido. El protocolo debe asignar roles: quién recibe la alerta, quién la evalúa, quién decide y quién ejecuta.
• Tratar los umbrales como valores inmutables. Los umbrales deben revisarse trimestralmente, especialmente en los primeros meses, cuando se está construyendo el conocimiento real del comportamiento del activo en todas las condiciones de operación posibles.

KPIs que demuestran que el protocolo está funcionando

El éxito de un protocolo de mantenimiento predictivo no se mide por el número de alertas generadas ni por la sofisticación del algoritmo. Se mide por el impacto real en la operación. Estos son los cuatro indicadores que debe seguir cualquier responsable de mantenimiento para evaluar si el sistema está evitando paradas y no solo generando gráficos bonitos.

Antelación útil: tiempo transcurrido entre la primera alerta accionable y la intervención planificada o el fallo evitado. Una antelación de semanas es un éxito; una antelación de horas indica que el modelo detectó la degradación demasiado tarde. En motores reprogramados, un buen sistema suele proporcionar entre dos y seis semanas de margen para degradaciones mecánicas progresivas.

Tasa de alertas útiles: porcentaje de alertas que derivaron en una revisión, corrección o decisión de mantenimiento justificada. Un valor saludable está por encima del 70 %; si la tasa baja del 40 %, el sistema está generando ruido y los umbrales o el modelo de normalidad necesitan un ajuste urgente. En líneas de escape TIG, una alerta útil típica es la que recomienda el cambio de filtros con una semana de margen antes de que el caudal caiga por debajo del límite normativo.

Reducción de correctivos urgentes: evolución del peso relativo del mantenimiento correctivo no planificado sobre el total de intervenciones en los activos monitorizados. Si el protocolo funciona, este porcentaje debe caer de forma sostenida durante los primeros seis meses, transfiriendo carga de trabajo hacia el mantenimiento planificado.

Impacto en disponibilidad: horas de parada evitadas, comparadas con el histórico de fallos de los mismos activos antes de la implantación del protocolo. Este KPI es el que mejor conecta el mantenimiento predictivo con los objetivos financieros de la planta y el que suele justificar la ampliación del programa a nuevos activos.

Conclusión para responsables de producción y gerencia

El mantenimiento predictivo para motores reprogramados y líneas de escape TIG no es un proyecto tecnológico, es una decisión de protección de la producción. Cada parada no planificada de un motor que alimenta una línea crítica o de un sistema de extracción que deja a un soldador sin ventilación adecuada tiene un coste que va mucho más allá de la reparación: horas de producción perdidas, riesgo de incumplimiento de plazos de entrega, exposición a sanciones por condiciones de trabajo inadecuadas y pérdida de calidad en el producto final. La buena noticia es que, con los sensores adecuados y un protocolo de umbrales bien calibrado, la mayoría de estas paradas pueden anticiparse con semanas de margen y resolverse durante ventanas de mantenimiento programado.

Empezar no requiere cubrir toda la planta. Un piloto con tres o cuatro motores críticos y una línea de escape representativa, bien instrumentado y con un equipo que entienda tanto los datos como el proceso, basta para demostrar el retorno en menos de seis meses. A partir de ahí, la ampliación se paga sola. La clave no está en la cantidad de sensores, sino en la calidad del protocolo: variables bien elegidas, umbrales dinámicos que respeten el contexto operativo y una cadena de decisión que convierta la alerta en acción.

Conclusión técnica para ingenieros de fiabilidad y responsables de mantenimiento

Desde el punto de vista de la ingeniería de fiabilidad, el valor del protocolo descrito reside en su capacidad para capturar degradaciones que los sistemas univariables o los umbrales fijos no detectan. Un motor reprogramado puede estar desarrollando un defecto en el rotor que apenas se manifieste en vibración global pero que altere el patrón de corriente y el contenido armónico de forma sutil. Esa firma solo es visible cuando el modelo aprende la correlación multidimensional entre señales eléctricas, mecánicas y de contexto. Técnicas como los autoencoders convolucionales o las redes de memoria a corto y largo plazo aplicadas a series temporales multivariantes han mostrado una sensibilidad muy superior a la de los métodos clásicos de análisis de tendencias, especialmente en activos con regímenes de operación cambiantes y pocos fallos históricos etiquetados.

La calibración de umbrales debe abordarse como un proceso iterativo. La primera versión se apoya en normas ISO e IEC y en la experiencia del fabricante; la segunda versión, alimentada con al menos tres meses de datos operativos reales, ajusta los límites a la realidad concreta de cada activo. A partir de ahí, la revisión trimestral permite incorporar el conocimiento acumulado y afinar la sensibilidad del sistema. La integración del protocolo con el GMAO y con los sistemas de control de producción cierra el círculo: el mantenimiento predictivo deja de ser una isla analítica y se convierte en un engranaje más de la gestión de activos, contribuyendo de forma medible a la disponibilidad, la seguridad y la eficiencia global de la planta.