Mantenimiento preventivo vs. predictivo en minería: cuándo pasar al monitoreo por condición

Pasar de mantenimiento preventivo a predictivo no significa instalar sensores y comenzar a “usar inteligencia artificial”. El cambio real consiste en pasar de intervenir según una regla de tiempo o uso a tomar decisiones utilizando señales sobre la condición real del activo. Para hacerlo bien, primero se necesita una base confiable de activos, fallas, intervenciones y datos operativos.

¿Qué hace el mantenimiento preventivo?

El preventivo programa actividades antes de que ocurra una falla.

Puede basarse en:

• tiempo;
• horas de operación;
• kilometraje;
• ciclos;
• recomendaciones del fabricante.

Su ventaja es la planificación. Su limitación es que dos equipos con la misma frecuencia pueden estar deteriorándose de forma diferente.

¿Qué cambia en el mantenimiento predictivo?

El predictivo intenta identificar señales que indiquen deterioro antes de la falla funcional.

Rios Colque et al. (2024) revisaron tecnologías utilizadas en condition monitoring de equipos mineros y encontraron aplicación de Machine Learning, IoT, Big Data y sensores en correas transportadoras, cargadores, camiones, palas y chancadores.

El objetivo no es “predecir todo”. Es detectar cambios relevantes en el comportamiento.

1. Primero necesitas una línea base

Para reconocer una anomalía necesitas saber cómo se comporta normalmente el activo. Esto requiere historial. Temperatura. Vibración. Presión. Corriente. Carga. Velocidad. Horas de operación. Eventos de falla. Sin contexto, un valor aislado dice poco.

2. Los sensores no sustituyen una estrategia de mantenimiento

Una planta puede recolectar millones de datos sin mejorar ninguna decisión.

Antes de sensorización conviene definir:

• qué falla queremos anticipar;
• qué variable puede mostrarla;
• con cuánto tiempo necesitamos detectarla;
• qué acción ejecutaremos si aparece la señal.

3. No todos los equipos justifican el mismo nivel de monitoreo

Un equipo de bajo impacto puede no necesitar análisis sofisticado.

La prioridad debería estar en activos donde:

• la falla tiene alto impacto;
• hay patrones detectables;
• existe suficiente información;
• la intervención preventiva tiene valor.

4. El predictivo necesita datos de mantenimiento, no solo sensores

Para entrenar o validar modelos es necesario relacionar señales con eventos reales.

• ¿Cuándo falló?
• ¿Qué componente?
• ¿Qué se reparó?
• ¿Qué condición existía antes?

Sin esa relación, el modelo observa variables, pero no comprende el resultado operacional.

5. Machine Learning es una herramienta, no el punto de partida

La revisión de Rios Colque et al. muestra un crecimiento del uso de ML en equipos mineros. Pero también identifica barreras: grandes volúmenes de datos, interoperabilidad y necesidad de integrar información con sistemas de gestión.

Eso refuerza una idea:

primero datos gobernados; después algoritmos.

¿Cuándo conviene seguir con preventivo?

• Cuando el modo de falla es predecible por tiempo o uso.
• Cuando la inspección es económica.
• Cuando no existe suficiente historial.
• Cuando el costo de sensorización supera el riesgo.

¿Cuándo tiene sentido explorar predictivo?

• Cuando el activo es crítico.
• Cuando la falla genera impacto alto.
• Cuando existen señales medibles antes de la falla.
• Cuando la organización puede capturar, almacenar y analizar esas señales.
• Cuando existe un proceso para actuar ante una alerta.

Comparación rápida

Enfoque	Pregunta
Preventivo	¿Cuándo corresponde intervenir según una regla?
Predictivo	¿Qué señales indican que la condición está cambiando?
Correctivo	¿Qué hacemos después de la falla?

La transición puede ser gradual

No es necesario transformar todo el mantenimiento en un solo proyecto.

Una ruta razonable puede ser:

• seleccionar activos críticos;
• validar datos;
• elegir variables;
• hacer un piloto;
• evaluar precisión;
• integrar la alerta con el flujo de mantenimiento;
• medir resultado.

¿Tu operación tiene datos suficientes para pasar a predictivo?

Un Assessment TI puede ayudar a revisar activos, datos, integración y procesos antes de invertir en modelos o sensores.

Referencias

Rios Colque, L. A., Acevedo Bastias, J. A., Orellana Zamorano, F. A., & Ortiz Ávila, D. (2024). Tecnologías de la industria inteligente aplicadas a las técnicas de monitoreo de condición en equipos mineros: Una revisión sistemática. Ingeniare. Revista Chilena de Ingeniería, 32, 31.

Siddiqui, M. A. H., Chattopadhyaya, S., Sharma, S., et al. (2025). Reliability, maintainability, and availability analysis of highwall mining machines in open pit mines. Mining, Metallurgy & Exploration, 42, 3055–3072.