Es probable que el camión de transporte en el que confías hoy te estuviera enviando señales de advertencia hace tres semanas. No a través de una alarma, sino a través de sus datos: la temperatura del líquido refrigerante se mantenía dos grados por encima del valor de referencia, la presión del aceite estaba ligeramente por debajo de lo normal y se detectaba un patrón de vibración en la caja de cambios que ninguna inspección programada habría detectado.

Si nadie prestara atención a esas señales de forma sistemática, te enterarías del fallo por las malas: en mitad del turno, en la carretera de transporte, con una avería costosa, una máquina parada y un equipo de mantenimiento corriendo a toda prisa en modo de emergencia.

El mantenimiento predictivo de los equipos mineros consiste en detectar esas señales antes de que se conviertan en paradas. No según un calendario. Ni a posteriori. Sino cuando los datos realmente indican que se está gestando un problema, y antes de que se convierta en una avería que paralice la producción.

Esta guía explica cómo funciona el mantenimiento predictivo en un entorno minero real, cómo crear un programa que reduzca el tiempo de inactividad, qué te están diciendo ya los datos de tu fabricante original (OEM) y ese paso que la mayoría de los programas se saltan y que determina si todo el sistema funciona como debe.

¿Qué es el mantenimiento predictivo en la minería? ¿Y por qué la forma tradicional te está saliendo cara?

Reactivo, preventivo y predictivo: comparación de los tres enfoques

La mayoría de las explotaciones mineras combinan estos tres enfoques de mantenimiento. Entender dónde se va el dinero te ayuda a ver por qué el mantenimiento predictivo es el que se amortiza más rápido.

El mantenimiento reactivo (esperar a que se estropee) es la opción más cara en la minería, aunque sobre el papel parezca la más barata. Tienes que pagar tarifas de emergencia por las piezas, horas extras para los equipos y pierdes producción mientras la máquina está parada. Las reparaciones de emergencia suelen costar bastante más que el mismo trabajo realizado según un calendario planificado.

El mantenimiento preventivo (basado en el tiempo o en las horas) es mejor, pero tiene un problema estructural: los componentes no se desgastan según el calendario. Si cambias una caja de cambios a las 10 000 horas, o bien la has cambiado demasiado pronto —desperdiciando vida útil— o bien te has perdido la avería real que se produjo a las 9 200 horas bajo condiciones de carga anormales. El calendario es un indicador aproximado del estado. Siempre está un poco desajustado.

El mantenimiento predictivo (basado en el estado) se basa en lo que realmente muestran los datos. Los componentes se revisan cuando las lecturas de los sensores, la telemetría del fabricante y los patrones de análisis del aceite indican desgaste, no cuando lo dice el calendario de un planificador. El resultado: máxima vida útil de los componentes, ventanas de mantenimiento planificadas en lugar de paradas de emergencia, y un equipo de mantenimiento que se adelanta a la máquina en lugar de ir por detrás.

El coste real de las paradas imprevistas de un camión de transporte: cifras, no estimaciones

Las paradas imprevistas de un camión de transporte minero de gran tamaño suponen un gran gasto por la pérdida de capacidad de transporte, los costes de la tripulación inactiva y el impacto en la producción. En una explotación a cielo abierto de alta producción, el efecto de cuello de botella a lo largo del ciclo de transporte puede agravar ese impacto de forma significativa en toda la operación.

Las reparaciones de emergencia que se hacen con prisas salen bastante más caras que el mismo trabajo si se hace durante un periodo de mantenimiento programado. El coste real se acumula en la mano de obra, la logística de las piezas y la pérdida de producción que conlleva una avería imprevista, no solo en la reparación en sí.

Un estudio de McKinsey también señala que los gastos de mantenimiento pueden llegar a representar hasta el 50 % del coste operativo total en sectores con un uso intensivo de activos, lo que convierte la estrategia de mantenimiento en una de las decisiones con mayor impacto que puede tomar una explotación minera.

¿Por qué el mantenimiento preventivo basado en plazos sigue provocando fallos?

Los intervalos de mantenimiento programado se basan en las tasas medias de averías de toda una flota y en un entorno operativo medio. Tus carreteras de transporte no son normales. La distribución de tu carga útil tampoco lo es. Tampoco lo son tu altitud, la cantidad de polvo ni la variabilidad entre tus conductores.

Un camión de transporte que circula con un 20 % más de carga útil de la prevista en una pendiente pronunciada desgasta su sistema de transmisión a un ritmo totalmente diferente al del mismo modelo en un trayecto llano y con poca carga. Los intervalos programados no tienen esto en cuenta. La supervisión basada en el estado sí que lo hace.

Lo que tu equipo de minería ya te está diciendo

Datos de las máquinas OEM 101: qué generan CAT VIMS, Komatsu KOMTRAX y Liebherr LiDAS

La maquinaria minera posterior a 2015 cuenta con sofisticados sistemas de monitorización integrados. Un camión de transporte CAT 793 genera continuamente cientos de puntos de datos del bus CAN a través del VIMS (Sistema de Gestión de Información Vital). El KOMTRAX de Komatsu hace lo mismo. El LiDAS de Liebherr registra los parámetros críticos de los componentes de la transmisión, el sistema hidráulico y los sistemas eléctricos.

Estos sistemas transmiten datos de forma continua: carga del motor, temperatura del líquido de refrigeración, temperatura del aceite de la transmisión, presiones hidráulicas, temperaturas de los frenos, carga útil, datos de ciclo, códigos de avería y mucho más, turno a turno y vehículo a vehículo.

La mayoría de las explotaciones mineras consultan estos datos en los paneles de control de los fabricantes de equipos originales (OEM) o reciben informes periódicos. Muy pocas los analizan a través de una capa de inteligencia que relacione las señales, identifique patrones emergentes y destaque las alertas relevantes entre todo el ruido.

Las señales de datos más importantes para una flota móvil

En el caso de los camiones de transporte y las cargadoras, las señales predictivas más valiosas son:

• Temperatura y presión del aceite de la transmisión y la caja de cambios: las desviaciones respecto a los valores de referencia suelen preceder a los fallos en el tren de engranajes entre 2 y 4 semanas.
• Evolución de la presión del aceite del motor y la temperatura del líquido refrigerante: los cambios graduales indican que se están produciendo fallos en los cojinetes o en el sistema de refrigeración antes de que se hagan audibles
• Patrones de vibración: los cambios en las vibraciones a nivel de los componentes indican el desgaste mucho antes de que se note en los indicadores de rendimiento
• Análisis de aceite y recuento de partículas: el recuento de partículas metálicas en las muestras de aceite es uno de los indicadores tempranos más fiables del desgaste interno de los componentes
• Datos sobre el ciclo de trabajo y la carga útil: los patrones de carga anormales aceleran el desgaste de tal forma que alteran la sincronización de una de cada dos señales

Ninguna señal por sí sola lo dice todo. Lo importante es interpretarlas en conjunto: cuando la temperatura de la transmisión, la presión del aceite y la vibración apuntan todas en la misma dirección en un mismo componente, esa coincidencia es lo que distingue un fallo real en desarrollo del ruido de los sensores.

¿Por qué los datos sin procesar, sin análisis, provocan «fatiga de alertas» en lugar de fiabilidad?

La mayoría de los sistemas de monitorización de los fabricantes de equipos originales (OEM) avisan cuando se superan los umbrales: cuando un valor pasa de un límite, aparece una alerta. Este enfoque tiene un problema: en un entorno minero real, los parámetros superan los umbrales constantemente por motivos operativos normales. Un camión que sube una pendiente pronunciada se calienta. Una cargadora que trabaja con temperaturas ambientales máximas activa alertas de temperatura. No son fallos, son condiciones normales de funcionamiento.

Cuando todas las alertas parecen iguales, las advertencias importantes se pierden entre el ruido. Los equipos de mantenimiento aprenden a filtrarlas, y al hacerlo, a veces se les pasa por alto precisamente la alerta que realmente importa.

Para que el mantenimiento predictivo sea eficaz, se necesita una capa de inteligencia que entienda qué es lo normal para tu máquina concreta, tu entorno específico y el historial de tu flota, de modo que, cuando surja un fallo real, este se detecte claramente con todo su contexto: qué está fallando, por qué y dónde.

DataMind AI: DataMind AI, de Razor Labs, se conecta a tus flujos de datos OEM actuales —CAT VIMS, Komatsu KOMTRAX, Liebherr LiDAS y otros— y crea una capa de inteligencia sobre ellos. Cuando los datos de los fabricantes no ofrecen suficiente cobertura sobre componentes específicos o modos de fallo, Razor Labs instala sensores y hardware adicionales para cubrir esas lagunas. El punto de partida es siempre lo que ya generan tus equipos. La plataforma añade instrumentación específica donde sea necesario para completar el panorama.

Cómo crear un programa de mantenimiento predictivo para tu flota

Paso 1: Identifica tus activos de mayor riesgo

No todos los equipos entrañan el mismo riesgo de mantenimiento. Empieza por los activos en los que un fallo imprevisto tenga un mayor impacto en la producción y en los costes.

En la mayoría de las explotaciones a cielo abierto, los camiones de transporte son el punto de partida más evidente —concretamente la caja de cambios y el diferencial, que siempre representan la oportunidad más valiosa para la predicción de averías—. Una avería en la caja de cambios de un camión de transporte no solo paraliza una máquina. Provoca un cuello de botella en todo el ciclo de transporte y puede dar lugar a una operación de reparación de emergencia que acabe acaparando tu presupuesto de mantenimiento durante semanas.

Clasifica tus activos según: coste por fallo por incidente × frecuencia de fallo × impacto en la producción. Los tres o cuatro primeros de esa lista son donde un programa de mantenimiento predictivo da resultados más rápido.

Paso 2: Conéctate a tus datos actuales Y amplíalos cuando sea necesario

La buena noticia para las empresas que utilizan equipos posteriores a 2015 es que los datos básicos ya están ahí. Los sistemas telemáticos de los fabricantes originales transmiten datos de forma continua. El primer paso es conectar tu plataforma de mantenimiento predictivo a esos flujos de datos ya existentes: no se trata de sustituirlos ni de ignorarlos, sino de aprovecharlos.

A partir de ahí, una evaluación exhaustiva de los equipos identifica las carencias: componentes que el sistema del fabricante original no cubre con la resolución suficiente, modos de fallo que requieren sensores de vibración adicionales o puntos de monitorización que nunca se han equipado con sensores. Estas carencias se subsanan con la instalación específica de sensores y hardware, que se añaden a tu infraestructura actual.

El objetivo es tener una visión completa de la supervisión: empezando por lo que ya tienes y añadiendo lo que necesitas.

Paso 3: Establecer valores de referencia y umbrales de fallo

Una vez que los datos empiezan a llegar, la primera fase es el aprendizaje. Los periodos de referencia —normalmente entre 6 y 12 semanas de datos operativos limpios— definen cuál es la «normalidad» para cada vehículo en tu entorno específico. Lo que se considera «normal» para un CAT 793 en una pendiente del 15 % a gran altitud es diferente de lo que se considera «normal» para el mismo modelo en un trayecto llano por la costa.

Estos valores de referencia se convierten en el punto de referencia con el que se comparan todas las lecturas futuras. Es la desviación respecto al valor de referencia —y no respecto a un umbral genérico del fabricante— lo que activa alertas significativas y que te permiten actuar.

Paso 4: Crea tu flujo de trabajo de respuesta de mantenimiento

Un sistema predictivo es tan bueno como el flujo de trabajo al que está vinculado. Cuando se detecta un fallo incipiente, ¿quién recibe la notificación? ¿Cuál es el proceso a seguir? ¿Cómo pasa de ser una alerta a una orden de trabajo y, finalmente, a una franja horaria de mantenimiento programado?

El diseño del flujo de trabajo es tan importante como la tecnología. Las predicciones que se quedan en un panel de control que nadie consulta no evitan las averías. Crea una ruta de escalado clara: se detecta un fallo —clasificado por gravedad—; se asigna al responsable de planificación de mantenimiento; se crea una orden de trabajo; y se programa en la próxima ventana de mantenimiento planificado disponible.

Paso 5 – Cierra el ciclo: comprueba que el problema se ha solucionado, no solo la orden de trabajo

Este es el paso que la mayoría de los programas se saltan, y por donde se va el dinero sin que nadie se dé cuenta.

Un técnico de mantenimiento cambia una junta de la caja de cambios. Se cierra la orden de trabajo. Se actualiza el registro de averías. Dos semanas después, vuelve a aparecer la misma señal de temperatura en la misma máquina. Al cambiar la junta solo se solucionó un síntoma, no la avería subyacente.

En un programa tradicional, te das cuenta de esto cuando se produce la siguiente avería. En un sistema de mantenimiento predictivo de bucle cerrado, te das cuenta al instante, porque la plataforma sigue supervisando la firma de la avería tras la reparación y te avisa si el patrón persiste.

DataMind AI: DataMind AI cierra este ciclo directamente. Una vez registrada una intervención de mantenimiento, DataMind AI comprueba si la firma de fallo —el patrón de datos concreto que activó la alerta— se ha resuelto. Si no es así, el sistema lo vuelve a señalar. No se trata de que «el técnico haya cambiado la pieza y cerrado el ticket». Sino «el patrón de temperatura y presión que indicaba el fallo se ha normalizado: reparación confirmada». Ese es un estándar de verificación totalmente diferente, y es el que realmente protege tu tiempo de actividad.

Mantenimiento predictivo para flotas móviles: qué hay que supervisar y cuándo

Camiones de transporte: el objetivo de monitorización más valioso

En el caso de la CAT 793, la Komatsu 930E, la Liebherr T 284 y otros camiones de transporte de gran tamaño similares, los modos de fallo que conviene vigilar en primer lugar son:

• Caja de cambios y diferencial: temperatura del aceite de la transmisión, tendencias de presión y patrones de vibración: las desviaciones respecto a los valores de referencia entre 2 y 4 semanas antes de que se produzca el fallo se detectan de forma sistemática en distintos tipos de señales
• Motor: presión del aceite, tendencias de la temperatura del líquido de refrigeración, gases de escape y desviaciones en la sincronización de la inyección
• Sistema hidráulico: diferencia de presión en los filtros, estado de las juntas de los cilindros y tendencias en el rendimiento de las bombas
• Frenos: temperatura del retardador bajo carga, indicadores de desgaste de las pastillas y uniformidad de la presión de frenado
• Neumáticos y carga útil: casos de sobrecarga y control de la presión de los neumáticos: la presión insuficiente acelera la fatiga estructural y afecta a todas las demás señales del sistema de transmisión

Una flota de 20 camiones supervisada a este nivel ofrece a tu equipo de mantenimiento una visión clara y ordenada por prioridad del estado de cada vehículo: no se trata de un montón de alertas sin procesar de los fabricantes, sino de una lista priorizada de averías en desarrollo con su causa raíz y las medidas recomendadas.

Cargadoras y excavadoras: la flota menos supervisada

Las cargadoras y las excavadoras suelen estar menos supervisadas que los camiones de transporte, a pesar de que, cuando fallan de forma inesperada, contribuyen de manera significativa a la pérdida de producción. Prioridades clave de supervisión:

• Sistema hidráulico: presión de los cilindros de la cuchara y de elevación, rendimiento de la bomba, presión diferencial del filtro
• Tren de transmisión y transmisiones finales: la temperatura y la presión del aceite en las carcasas de las transmisiones finales, que suelen ser el primer indicio de desgaste interno
• Cuchillas y herramientas de contacto con el suelo: el seguimiento mediante recuento cíclico, junto con la supervisión de la carga, puede indicar cuándo hay que sustituirlas antes de que se note una pérdida de rendimiento

Plataformas de perforación y equipos rotativos

Una avería en la perforadora durante los preparativos de la voladura puede retrasar toda la voladura de producción y retrasar el calendario de la mina varios días. Puntos de supervisión de alta prioridad:

• Cabezal giratorio: carga del motor y temperatura ante variaciones en la resistencia de la formación; las señales de carga anómalas indican desgaste de las herramientas o cambios en las condiciones del terreno
• Sistema de alimentación: presión hidráulica y uniformidad de la velocidad de desplazamiento; las desviaciones indican desgaste del cilindro o de la bomba
• Sistema de recogida de polvo: presión diferencial en los filtros; los colectores de polvo obstruidos provocan un desgaste prematuro del sistema de aire y del motor, lo que se manifiesta como un fallo secundario
• Sistema de compresor: evolución de la presión y la temperatura de descarga: indicadores tempranos del desgaste de las válvulas o los anillos

Las 5 razones por las que fracasan los programas de mantenimiento predictivo en la minería

1. Sobrecarga de alertas sin causa raíz

La forma más rápida de acabar con un programa de mantenimiento predictivo es saturar al equipo de mantenimiento con alertas ante las que no pueden actuar. Si todas las alertas dicen «temperatura elevada» sin indicar al equipo qué componente está en riesgo, por qué se ha elevado la temperatura y cuáles son las posibles consecuencias de un fallo, las alertas se convierten en ruido… y el ruido se acaba ignorando.

Un mantenimiento predictivo eficaz no genera alertas, sino diagnósticos. La diferencia entre «Se ha superado el umbral de temperatura del refrigerante en la unidad 14» y «Unidad 14: se está produciendo un fallo en el termostato debido a que la temperatura del refrigerante lleva 11 días por encima del valor de referencia en condiciones de carga normal; se recomienda una inspección en un plazo de 72 horas» es la misma que hay entre un panel de control que tu equipo revisa y uno que silencia.

2. Sin fase de verificación: reparaciones que en realidad no solucionan el fallo

En la mayoría de las operaciones, el historial de datos de mantenimiento se cierra cuando se cierra la orden de trabajo. Se actualiza el registro de averías, la máquina vuelve a funcionar y el sistema predictivo pasa a otra cosa. ¿Qué ha pasado realmente con la firma de avería subyacente? Nadie lo comprueba. El siguiente dato es la siguiente avería.

Incorpora una capa de verificación en tu programa, ya sea mediante protocolos de seguimiento manual o una supervisión de bucle cerrado a nivel de plataforma. La reparación no se da por terminada cuando se cierra la orden de trabajo, sino cuando se resuelve la firma de la avería.

3. Intentar abarcarlo todo de una vez

Poner en marcha un programa de mantenimiento predictivo en toda una flota, en varias sedes a la vez, es una de las razones más comunes por las que estos programas se estancan. El volumen de datos es abrumador, el cambio en los procesos de trabajo es demasiado grande y el argumento del retorno de la inversión se pierde entre tanta complejidad.

Lo más inteligente es empezar por una parte concreta de tu flota —los camiones de transporte de mayor riesgo en tu emplazamiento más crítico— y demostrar que el concepto funciona antes de ampliarlo. Para las empresas mineras que gestionan varios emplazamientos, un proyecto piloto en un solo emplazamiento te ofrece un entorno controlado para establecer puntos de referencia, perfeccionar el flujo de trabajo de mantenimiento y generar confianza interna antes de implantarlo en toda la cartera.

Una vez que los resultados sean evidentes —menos paradas imprevistas, reparaciones comprobadas, participación del equipo de mantenimiento—, la expansión a otras instalaciones o a toda la flota se producirá de forma natural y con mucha menos resistencia operativa.

4. Desconectado del flujo de trabajo de mantenimiento

Las predicciones que se quedan en una plataforma aparte y que nadie integra en las operaciones diarias son predicciones que nunca evitan las averías. El sistema de mantenimiento predictivo tiene que conectarse directamente a tu CMMS —SAP PM, Maximo o similar— para que, cuando se detecte un fallo, se genere automáticamente una orden de trabajo en el sistema que ya usa tu equipo de mantenimiento.

Si para actuar en función de una predicción tienes que iniciar sesión en otra plataforma, copiar datos a mano y crear una orden de trabajo manualmente, no se hará de forma sistemática. La integración con tu flujo de trabajo actual no es opcional. Es lo que convierte una información predictiva en una avería evitada.

5. No hay bucle de retroalimentación: el sistema nunca se vuelve más inteligente

Un modelo de mantenimiento predictivo es tan bueno como los datos de los que aprende. Cada fallo confirmado, cada acción de mantenimiento y cada resultado de reparación se incorporan al modelo y mejoran su precisión con el tiempo. Un sistema sin un ciclo de retroalimentación ofrece predicciones genéricas basadas en patrones de fallo genéricos… para siempre.

Crea un ciclo de retroalimentación explícito: cada acción de mantenimiento debe registrarse en el mismo sistema que la predicción, junto con los datos del resultado: ¿qué se detectó?, ¿qué se reparó?, ¿se solucionó la avería? Estos datos hacen que el modelo sea más inteligente, reducen los falsos positivos y aumentan la precisión de la detección en tu flota concreta y en tu entorno específico.

Qué debes tener en cuenta a la hora de elegir una solución de mantenimiento predictivo para la minería

No todas las plataformas están diseñadas para la minería. Esto es lo que diferencia a una solución que da resultados en un entorno minero real de otra que funciona en una prueba piloto pero que tiene dificultades a gran escala.

Compatibilidad con los datos de los fabricantes de equipos originales (OEM) Y flexibilidad de los sensores

La solución adecuada se conecta a los datos de los fabricantes de equipos originales (OEM) que ya genera tu maquinaria: CAT VIMS, Komatsu KOMTRAX, Liebherr LiDAS y otros. No hace falta que cambies los sistemas que ya tienes ni que te olvides de la infraestructura de datos que ya has creado. Funciona con lo que ya tienes.

Pero los datos del fabricante original (OEM) por sí solos no siempre te dan una visión completa. La solución adecuada también debería permitir instalar sensores y hardware adicionales allí donde la telemetría del fabricante original deja lagunas; por ejemplo, añadiendo monitorización de vibraciones en un componente que la telemetría del fabricante original no cubre con la resolución suficiente. La flexibilidad en ambos sentidos es lo que te da una visibilidad completa de tus activos.

Análisis de la causa raíz: alertas frente a diagnósticos que permiten actuar

Hazle una pregunta directa a cualquier proveedor: ¿tu plataforma me dice qué está fallando y por qué, o solo me dice que se ha superado un umbral? La respuesta determina si estás comprando un panel de control de monitorización o un sistema de inteligencia de mantenimiento.

Para poder determinar la causa raíz, la plataforma tiene que analizar varias señales a la vez, comparando datos de temperatura, presión, vibraciones y análisis de aceite para identificar el modo de fallo específico, no solo el síntoma. Sin esto, la fatiga por alertas se instala en los primeros meses y el programa va perdiendo fuerza sin que te des cuenta.

Verificación de fallos en bucle cerrado

Esta capacidad es poco habitual. La mayoría de las plataformas supervisan el estado y emiten alertas. Muy pocas siguen supervisando después de una reparación para confirmar que el fallo se ha solucionado de verdad.

Pregúntale directamente al proveedor: una vez que cerramos una orden de trabajo relacionada con una avería señalada, ¿tu sistema sigue supervisando la firma específica de esa avería y confirma que se ha solucionado? Si la respuesta es «no» —o un «sí, a través de nuestro panel de control» poco claro—, ese programa está abocado a fallar sin que nadie se dé cuenta.

Experiencia en una mina de nivel 1

Una plataforma que se ha implantado en centros de investigación o en pequeñas explotaciones de canteras es un producto totalmente distinto de la que se utiliza en operaciones de primer nivel en la región de Asia-Pacífico, África y Norteamérica. Los entornos mineros son muy duros, los volúmenes de datos son enormes y las operaciones no tienen tiempo para soluciones que solo funcionen en teoría.

Pide referencias de operaciones de escala y ubicación similares. El rendimiento de una plataforma de mantenimiento predictivo en una planta de primer nivel —donde la variedad de equipos es compleja, el coste de pasar por alto un fallo es elevado y el equipo de mantenimiento no tolera en absoluto los falsos positivos— es la verdadera prueba de su eficacia.

DataMind AI: La plataforma DataMind AI de Razor Labs se ha diseñado específicamente para este entorno. Implantada en minas de primer nivel de la región APAC, África y Norteamérica, se conecta a los sistemas de datos de los fabricantes originales (OEM) ya existentes, añade instrumentos específicos donde sea necesario, ofrece un análisis de las causas fundamentales de cada fallo detectado y cierra el ciclo para comprobar que cada reparación ha resuelto realmente el problema subyacente. Si quieres verla en acción en una flota como la tuya, reserva una demostración con el equipo de Razor Labs.

Preguntas frecuentes