La IA predictiva aplicada al manteniment predictiu d’ascensors permet passar de “revisions per calendari” a “intervencions per condició”: detectar senyals d’alerta, prioritzar ordres de treball i reduir avaries abans que impactin els usuaris.
Si gestiones una flota d’ascensors (mantenidora, facility management, comunitats grans, hospitals, hotels o edificis corporatius), aquesta guia t’explica què cal (dades, sensors, models i integracions) i com començar amb un pilot realista.
- ↓ parades no programades
- ↑ disponibilitat i SLA
- ↓ visites d’emergència
- ↑ planificació i recanvis
- ↑ seguretat i traçabilitat
En aquesta guia
- Què és la IA predictiva aplicada a ascensors
- Per què redueix avaries (i què millora exactament)
- Dades i sensors: què val la pena recollir
- Com funciona: de la telemetria a l’ordre de treball
- Planificació: prioritzar, rutes, recanvis i SLA
- ROI: com estimar el retorn sense autoenganyar-se
- Com començar amb un pilot (sense fricció)
- Preguntes freqüents
Què és la IA predictiva aplicada al manteniment d’ascensors?
Quan parlem d’IA predictiva en ascensors ens referim a utilitzar dades (històrics, codis d’error, ús real i senyals de sensors) per anticipar fallades i recomanar accions abans que l’ascensor s’aturi o generi incidències recurrents. A la pràctica, això es tradueix en decisions com:
- Quan convé intervenir (ara, en 7 dies, en 30 dies) segons risc i criticitat.
- Quin component és més probable que estigui degradant-se (portes, tracció, sensors de posició, electrònica, etc.).
- Quina acció minimitza temps d’aturada (ajust, substitució preventiva, revisió amb recanvi preparat, actualització remota…).
- Quina prioritat donar a cada equip (per ús, ubicació, històric d’avaries i impacte en usuaris).
Idea clau: no és “posar IA” per tenir un gràfic més bonic. És transformar senyals en accions operatives: alertes útils, ordres de treball i planificació de tècnics amb menys improvisació.
De reactiu a predictiu (en 3 models molt clars)
Manteniment reactiu (apagar incendis)
Actues quan l’ascensor ja falla: més parades, més urgències, més queixes i costos difícils de preveure.
Manteniment preventiu (per calendari)
Revisions periòdiques necessàries, però sovint desalineades amb l’ús real: pots “arribar tard” o “intervenir massa aviat”.
Manteniment predictiu (per condició + risc)
Decideixes segons el comportament real, senyals d’anomalia i probabilitat de fallada. Menys urgències i millor planificació.
Per què el manteniment predictiu d’ascensors redueix avaries (i què millora exactament)
Les avaries d’un ascensor rarament “apareixen del no-res”. Moltes vegades hi ha senyals previs: canvis de vibració, errors intermitents, portes que comencen a fallar, temps de trajecte que s’allarga, increments de reintents, etc. La IA ajuda a detectar aquests patrons quan encara són subtils.
El gran salt és passar de “tenir dades” a “tenir decisions”: alertes que no saturen, prioritats clares i una planificació que evita la major part de parades no programades.
Impactes típics que pots esperar (en operativa, no només en tecnologia)
- Disponibilitat: menys temps fora de servei i menys incidències repetitives.
- Servei: millora de SLA, menys queixes i millor experiència d’usuari (especialment en edificis crítics).
- Costos: menys desplaçaments d’emergència i millor preparació de recanvis (menys visites “a cegues”).
- Planificació: ordres de treball prioritzades, rutes més eficients i agenda tècnica amb menys improvisació.
- Seguretat i traçabilitat: historial més complet d’alertes → intervencions → resultats (útil per auditoria interna i control de qualitat).
Dades i sensors: què val la pena recollir (i què pots ajornar)
Un projecte d’IA predictiva no comença amb el model, sinó amb la pregunta: què vols predir i quines decisions prendràs quan el sistema et digui “aquest ascensor té risc”.
Fonts de dades habituals (les que donen més joc)
- Històric d’avaries i incidències: tipus de fallada, data/hora, component afectat, severitat.
- Ordres de treball (GMAO/CMMS): intervencions, temps de resolució, recanvis utilitzats, causa arrel.
- Telemetria del sistema/quadre: codis d’error, esdeveniments, reinicis, portes (obertures/tancaments), cicles, temps de trajecte.
- Ús real: nombre de viatges, hores punta, càrrega aproximada o patrons de trànsit (si es disposa de dades).
- Dades de sensors IoT (si cal): vibració, temperatura, corrent del motor, soroll, etc.
Quins senyals acostumen a anticipar problemes
- Portes: increments d’errors intermitents, reintents, temps de tancament/obertura anòmal, desalineació.
- Qualitat de viatge: vibracions o variacions de velocitat que canvien amb el temps.
- Tracció i motor: canvis de temperatura/corrent en condicions similars (indicis de desgast o fricció).
- Posicionament/anivellament: desviacions progressives, correccions més freqüents.
- Electrònica: errors que “van i venen”, reinicis, degradació de components menys visibles.
Consell pràctic: si avui ja tens codis d’error + històric d’incidències + ordres de treball, sovint pots començar amb un primer model sense desplegar una “selva” de sensors. Després, si cal més precisió, afegeixes sensorització en punts clau.
Com funciona: de la telemetria a l’ordre de treball (sense soroll)
Un sistema de manteniment predictiu útil no és un dashboard que mira ningú. És un circuit que transforma dades en accions: alerta → decisió → ordre de treball → intervenció → aprenentatge (millora del model).
-
Definir el cas d’ús i els KPI
Ex.: “reduir avaries de portes”, “baixar urgències”, “millorar SLA”. KPI típics: hores fora de servei, incidències/mes, MTTR, urgències, reincidències.
-
Unificar dades (històrics + CMMS + telemetria)
Normalitzar formats, timestamps i identificadors d’actiu. Sense “font de la veritat”, el model aprèn soroll.
-
Qualitat i context (la part que fa guanyar)
Neteja d’errors de registre, definicions consistents d’avaria, etiquetatge mínim de causes i components. Context: tipus d’edifici, ús, horaris, criticitat.
-
Model predictiu (anomalies, risc o vida útil)
Segons el cas: detecció d’anomalies, classificació de risc, predicció d’esdeveniments o estimació de “temps fins a fallada”.
-
Integració operativa (alertes → feina)
Generació automàtica d’ordres de treball, assignació per prioritat, notificacions (sense spam) i evidència del “per què” de l’alerta.
-
Millora contínua
Revisió d’alertes falses/encertades, aprenentatge per cada intervenció i ajust de llindars per no saturar equips.
Planificació del manteniment: prioritzar, rutes, recanvis i SLA
La diferència entre “tenir prediccions” i “tenir impacte” és la planificació. Quan el sistema detecta risc, cal traduir-ho a decisions: què fem primer, qui hi va, amb quin recanvi i quan.
4 decisions que la IA pot accelerar (si està ben integrada)
- Priorització per criticitat (hospital vs residencial), ús real, risc i historial de reincidències.
- Dispatch de tècnics amb context: incidència probable, evidències i check-list d’intervenció.
- Recanvis preparats: menys visites “dobles” i menys temps fora de servei.
- Rutes i agenda: planificació més eficient i millor compliment de SLA.
Bon criteri: comença predint pocs modes de fallada però d’alt impacte (p. ex. portes o avaries recurrents), i assegura que l’alerta acaba sempre en una acció: ordre de treball, revisió planificada o seguiment.
ROI: com estimar el retorn (sense autoenganyar-se)
El retorn no ve “per tenir IA”, sinó per reduir costos i fricció operativa. Una manera simple d’estimar-ho és separar impactes en: urgències evitades, hores fora de servei reduïdes i visites optimitzades.
Mini-checklist de mètriques per calcular valor
- Incidències/mes i quines són repetitives.
- Temps fora de servei (hores) i impacte en usuaris.
- Visites d’emergència (cost de desplaçament + temps + oportunitat).
- Visites duplicades per falta de recanvis o diagnòstic incomplet.
- Recanvis (costos + urgències) i ruptura d’estoc.
Nota important: el ROI real depèn de la teva base instal·lada, qualitat de dades, operativa i objectius. Per això, normalment funciona millor un pilot mesurat amb KPIs clars que no pas una implantació massiva des del dia 1.
Com començar amb un pilot (amb resultat i sense fricció)
Si vols començar bé, l’objectiu del primer pilot no és “tenir el model perfecte”, sinó construir un sistema que: (1) prediu amb sentit, (2) s’integra amb l’operativa i (3) es pot escalar.
Enfocament recomanat (simple i escalable)
- Tria 1–2 problemes molt freqüents o molt costosos (portes, reincidències, parades sobtades, etc.).
- Connecta dades (CMMS/GMAO + històrics + telemetria) i defineix un identificador únic per ascensor.
- Defineix alertes amb criteris clars: “quan avisem” i “què es fa quan avisa”.
- Valida amb tècnics (feedback real) i ajusta llindars per reduir falsos positius.
- Integra l’alerta amb ordres de treball (si no hi ha ordre, no hi ha impacte).
- Mesura abans/després amb 3–5 KPIs: urgències, hores fora de servei, reincidències, temps de resolució.
Vols ajuda per dissenyar i executar el pilot?
A Bastelia podem acompanyar-te des de la definició del cas d’ús fins a la integració i la posada en producció (amb governança, seguretat i mesura de KPI).
Serveis relacionats a Bastelia (per passar de la teoria a resultats)
Si aquest tema és prioritari per a tu, aquí tens recursos per avançar amb un enfocament pràctic (sense formularis; contacte directe per email).
Definició de casos d’ús, priorització, KPI i pla per escalar amb control.
Connectem dades, models i operativa (APIs, integracions, observabilitat i posada en producció).
Planificació, rutes, SLA i optimització operativa amb analítica i automatització.
Alertes que creen ordres de treball, integracions amb sistemes i fluxos de decisió accionables.
Referències per entendre enfocaments i formats de col·laboració.
Contacte directe: info@bastelia.com
Preguntes freqüents sobre IA predictiva i manteniment d’ascensors
Quina diferència hi ha entre manteniment preventiu i manteniment predictiu d’ascensors?
El preventiu segueix un calendari (revisions periòdiques). El predictiu decideix segons condició i risc: analitza senyals i patrons per anticipar fallades i programar intervencions quan tenen més sentit (ni tard, ni massa aviat).
Cal instal·lar sensors nous per començar?
No sempre. Si ja tens codis d’error, històrics d’incidències i dades de la GMAO/CMMS, pots iniciar un primer pilot amb aquesta base. La sensorització addicional s’introdueix quan cal més precisió o vols predir fallades específiques amb més antelació.
Funciona en ascensors antics o de marques diferents?
Sovint sí, però el camí depèn de la disponibilitat de dades i de com s’obtenen (telemetria, passarel·la IoT, extracció d’esdeveniments, integració amb sistemes). L’enfocament habitual és començar per l’actiu “més representatiu” i escalar després amb un model i un mapping de dades robust.
Com evito que les alertes saturin l’equip?
Amb tres regles: (1) alertes per prioritat (no totes valen el mateix), (2) llindars i “cooldowns” per evitar repeticions, i (3) cada alerta ha de portar una acció recomanada i un responsable. Si no porta acció, és soroll.
Quins KPI recomaneu per mesurar l’èxit?
Normalment: hores fora de servei, incidències/mes, urgències, reincidències (mateix problema repetit), MTTR (temps de resolució), i compliment de SLA. Tria 3–5 KPI i fes un abans/després amb un pilot.
Com s’integra amb la GMAO/CMMS i l’operativa de tècnics?
La integració ideal crea o enriqueix ordres de treball automàticament (asset, risc, evidència, recanvis suggerits) i actualitza l’estat després de la intervenció. Això tanca el cercle: el que passa al camp alimenta la millora del model.
És compatible amb seguretat i RGPD?
Sí, sempre que es dissenyi amb governança: minimització de dades, control d’accessos, xifrat, traçabilitat i polítiques de retenció. Si hi ha dades que poden identificar persones (p. ex. registres sensibles), cal tractar-les amb criteri i controls.
Quin cost té una solució de manteniment predictiu d’ascensors amb IA?
Depèn del nombre d’actius, qualitat de dades, necessitat de sensorització i nivell d’integració (alertes, ordres de treball, dashboards, etc.). La manera més eficient de començar és amb un pilot acotat i mètriques clares, i escalar amb el que realment aporta valor.
Aquesta guia és informativa i general. Per definir una implantació concreta (dades, integracions, seguretat i operativa), el millor és avaluar el teu cas real. Escriu-nos a info@bastelia.com.