Si desmontas un motor de rueda o un diferencial para un mantenimiento programado, a menudo resulta que aún le queda mucha vida útil: has gastado el tiempo de inactividad y el presupuesto de repuestos en un componente que ni siquiera estaba a punto de fallar. Si, en cambio, esperas a que salte la alarma —y en un sistema basado en umbrales—, esa alarma suele llegar cuando ya se ha producido la mayor parte del daño. Esta es la verdadera disyuntiva entre el mantenimiento preventivo y el predictivo en la minería: ninguno de los dos enfoques, tal y como se siguen aplicando en la mayoría de las explotaciones, detecta los problemas con la suficiente antelación.

La respuesta no es elegir una estrategia en lugar de otra. Se trata de entender que la mayor parte de lo que se conoce como «mantenimiento predictivo» —incluidas las alertas de telemetría estándar de los fabricantes de equipos originales— sigue siendo reactivo en el momento en que se activa. La verdadera prevención consiste en detectar un fallo incipiente semanas antes de que se active cualquier umbral, entender por qué está ocurriendo y actuar antes de que la pieza se rompa.

En esta entrada te explicamos cuánto te cuesta realmente el mantenimiento preventivo y predictivo en tu planta, en qué casos sigue teniendo sentido cada uno de ellos y por qué la diferencia entre «que se active una alerta» y «que el daño ya esté hecho» es la clave que debería marcar tu estrategia de mantenimiento en 2026.

¿Cuál es la diferencia real entre el mantenimiento preventivo y el predictivo?

Mantenimiento preventivo: programado, basado en el tiempo, con costes predecibles

El mantenimiento preventivo se basa en el calendario o en el contador de horas, no en el estado real de la pieza. Un motor de rueda se reacondiciona a las 12 000 horas, lo necesite o no. Es fácil de presupuestar y evita algunas averías, pero también significa que hay componentes en buen estado que se retiran del servicio según un calendario que no tiene nada que ver con su desgaste real.

Mantenimiento predictivo: no todo lo «predictivo» es igual

Se supone que el mantenimiento predictivo soluciona eso utilizando datos de estado en lugar de un calendario. En la práctica, la mayoría de las herramientas predictivas que se usan en una mina —incluido el propio panel de telemetría del fabricante— siguen basándose en umbrales. Si una lectura de temperatura, vibración o presión supera un límite fijo, se activa una alerta. Es un paso adelante respecto a un calendario a ciegas, pero no es lo mismo que detectar un fallo a tiempo. Para saber cómo funciona realmente el mantenimiento predictivo de los equipos mineros, echa un vistazo a nuestra guía completa.

Por qué las alertas de umbral de los fabricantes de equipos originales no son una verdadera prevención

Cómo funcionan las alertas basadas en umbrales… y por qué se activan tarde

Una alerta de umbral sirve para detectar un valor cuando ya es anómalo. Por definición, no se activa hasta que la cifra supera el límite, lo que significa que el componente ya lleva funcionando en un estado degradado el tiempo suficiente como para llegar a ese punto. En el caso de la transmisión final de un camión de transporte o de la caja de cambios de una cinta transportadora, ese periodo de funcionamiento deteriorado puede durar desde días hasta semanas antes de que la alerta aparezca en el panel de control.

La diferencia entre «alerta» y «el daño ya está hecho»

Para cuando se activa una alerta basada en umbrales, normalmente ya se ha producido gran parte del daño y el deterioro. La alerta no es errónea, simplemente llega tarde por cómo está diseñada. Las explotaciones que se basan únicamente en los umbrales de los fabricantes suelen reaccionar ante averías que empezaron a producirse semanas antes, lo que coincide con los tipos de averías más comunes en los camiones de transporte que sufren las flotas mineras, incluso cuando ya cuentan con sistemas de telemetría.

El verdadero coste de cada enfoque

Cuánto cuesta realmente el mantenimiento preventivo en una mina

El mantenimiento programado tiene un coste oculto que va más allá de las piezas y la mano de obra: los componentes que se retiran aunque aún les quede vida útil. En una flota de vehículos, eso se traduce en horas de desmontaje innecesarias, sustitución prematura de piezas y tiempo de los técnicos dedicado a componentes que ni siquiera estaban a punto de fallar.

Cuánto cuesta un parón imprevisto cuando las alertas de umbral llegan demasiado tarde

El tiempo de inactividad no planificado de un camión de transporte suele suponer una pérdida de producción de seis cifras al día en una planta de primer nivel. La cifra exacta varía mucho según la planta, el precio de la materia prima y la clase de equipo, pero siempre supera con creces el coste de la orden de trabajo de mantenimiento que podría haberlo evitado. Una alerta de umbral que se activa cuando el daño ya está hecho no evita ese coste; solo confirma que el reloj ya ha empezado a correr.

Cuando el mantenimiento preventivo sigue siendo la mejor opción

Componentes baratos y con alta tasa de fallos

Los filtros, las correas y otros componentes sujetos a desgaste de bajo coste con curvas de fallo predecibles suelen salir más baratos si los cambias según un calendario fijo que si los supervisas. El coste de cambiarlos antes de tiempo es mínimo, y el de instalar sensores para supervisar su estado a menudo no merece la pena.

Activos sin datos sobre su estado de uso

Si un componente realmente no genera datos de estado útiles —ni telemetría del fabricante, ni ninguna forma práctica de supervisarlo—, lo más seguro es seguir con un programa fijo hasta que eso cambie.

Cómo la fusión de sensores con IA detecta fallos semanas antes

La lectura de la telemetría de los fabricantes de equipos originales como punto de partida, no como la solución

La telemetría OEM es una fuente de datos válida: parámetros del motor, presiones hidráulicas, ciclos de carga. El error está en considerarla como el punto final. Si se usa por sí sola, comparándola con umbrales fijos, tiene el mismo retraso que cualquier sistema basado en umbrales.

Correlacionar conjuntos de sensores en lugar de vigilar umbrales individuales

La fusión de sensores con IA funciona de otra manera. En lugar de comparar un valor con un límite concreto, correlaciona las señales de varios sistemas supervisados a la vez —vibración, temperatura, carga, patrones de ciclo— para detectar un patrón de fallo incipiente mucho antes de que cualquier lectura individual supere un umbral. Esa es la diferencia entre fijarte en que un indicador se mueve y darte cuenta de que varios sistemas se están desviando al mismo tiempo, algo que solo ocurre cuando se está produciendo un fallo concreto.

Desde la detección hasta la causa raíz y las medidas recomendadas

Detectar el patrón a tiempo solo sirve de algo si el equipo sabe qué hacer al respecto. La prevención de verdad implica que el sistema también identifique la posible causa raíz y recomiende las medidas concretas que hay que tomar; no solo «algo no va bien con la unidad 47», sino qué es lo que falla, por qué y qué hay que hacer al respecto antes de que se estropee.

Un marco práctico: decidir activo por activo

Matriz de criticidad frente a previsibilidad

Clasifica cada clase de activo en dos ejes: cuánto cuesta un fallo (criticidad) y en qué medida los datos sobre su estado permiten predecir ese fallo (previsibilidad). Los componentes de alta criticidad y alta previsibilidad —transmisiones finales, motores, piezas principales de la cadena cinemática— son donde la detección temprana mediante fusión de sensores se amortiza más rápido. Los elementos de baja criticidad y baja previsibilidad siguen su calendario habitual. Este enfoque, en el que se analiza cada activo por separado, es fundamental para cualquier programa sistemático de mantenimiento predictivo de maquinaria minera.

Por qué la mayoría de las páginas web necesitan una estrategia híbrida, y no un único enfoque

En la práctica, casi ninguna flota es puramente preventiva ni puramente predictiva, y tampoco debería serlo. El objetivo es adaptar la estrategia al activo: programas fijos para las piezas sujetas a desgaste y una verdadera detección temprana para los componentes en los que un fallo imprevisto realmente pone en peligro la producción.

Cómo DataMind AI ofrece una prevención real

Se basa en tus sensores actuales y en la telemetría de los fabricantes de equipos originales (OEM): CAT, Komatsu, Hitachi, Liebherr, Sandvik y muchos más

DataMind AI: DataMind AI se conecta a tus sensores actuales y a la telemetría de los fabricantes de equipos originales (OEM) —como CAT, Komatsu, Hitachi, Liebherr, Sandvik y otros grandes fabricantes— a través de una conexión segura desde el punto de vista de la ciberseguridad, sin que sea necesario desmontar y sustituir nada. Cuando la incorporación de sensores adicionales mejora significativamente la imagen de fusión de sensores, se añaden de forma selectiva, no como un requisito por defecto.

Cerrar el ciclo: comprobar que el fallo se ha solucionado de verdad, y no solo que se ha dado por resuelto

Detectar la avería a tiempo y recomendar la solución es la mitad del trabajo. Una vez que el mecánico ha completado la orden de trabajo, DataMind AI vuelve a revisar el equipo y comprueba que la avería original haya desaparecido de verdad, y no solo que el registro de mantenimiento indique «hecho». Que un técnico dé el visto bueno a una reparación no significa que la avería esté resuelta. DataMind AI cierra esa brecha, completando todo el ciclo de mantenimiento de la avería en lugar de dejarlo abierto basándose en una suposición.

Preguntas frecuentes