El manteniment intel·ligent combina sensors IoT, dades en temps real i IA per anticipar fallades, prioritzar intervencions i allargar la vida útil dels actius (sense dependre només del calendari).
- Detectes senyals de degradació (vibració, temperatura, consum, pressió…) abans que es converteixin en una avaria cara.
- Planifiques recanvis i finestres d’intervenció segons risc i criticitat (no “per si de cas”).
- Integres alertes a la GMAO/CMMS perquè el valor arribi quan l’operació pot actuar, no quan només hi ha dashboards.
Què és el manteniment intel·ligent (i en què es diferencia)
El manteniment intel·ligent és una estratègia que decideix quan i com intervenir en un actiu basant-se en: dades de condició (sensors), dades operatives (PLC/SCADA/MES) i històrics de manteniment (GMAO/CMMS). L’objectiu és simple: evitar avaries i no canviar peces abans d’hora.
Idea clau: no és “posar IA” perquè sí. És tancar el cercle dades → detecció → decisió → acció → mètrica de resultat. Si no arriba a ordre de treball, prioritats i recanvis, es queda en “gràfics que ningú mira”.
| Enfocament | Com decideixes intervenir | Avantatge principal | Risc típic |
|---|---|---|---|
| Correctiu (reactiu) | Quan es trenca | Cap planificació inicial | Parades imprevistes, urgències i costos alts |
| Preventiu (per interval) | Per temps / hores / revisions | Redueix la sorpresa total | Canvis abans d’hora i fallades entre intervals |
| Basat en condició (CBM) | Quan els indicadors de salut empitjoren | Actues quan toca, segons l’estat real | Si no hi ha procés, es converteix en alarmes sense propietari |
| Predictiu (PdM) | Quan el risc i la finestra temporal ho indiquen | Millor equilibri entre cost, disponibilitat i risc | Falsos positius/negatius si no hi ha dades i criteri |
| Prescriptiu | Recomana accions i moment òptim | Optimitza recursos (taller, recanvis, producció) | Requereix base de dades sòlida i governança |
En la pràctica, moltes empreses comencen amb CBM (monitorització i llindars) i evolucionen cap a PdM i prescriptiu quan ja tenen dades fiables, processos i integració.
Com funciona: dades → detecció → decisió → ordre de treball
Un sistema de manteniment intel·ligent “de veritat” no és només sensorització. És una cadena completa que connecta el que passa a la màquina amb el que fa l’equip de manteniment.
-
1
Captura i normalitzacióUnifiques sensors, PLC/SCADA, consum energètic i històrics de GMAO/CMMS perquè tot sigui traçable i comparable.
-
2
Baseline: què és “normal”Defineixes comportament normal per actiu i context (càrrega, torn, producte, temperatura ambient…).
-
3
Detecció d’anomalies amb sentit operatiuNo totes les desviacions importen. El sistema ha d’identificar patrons que precedeixen fallades rellevants.
-
4
Priorització i finestra d’accióTransformes “alerta” en risc: component probable, criticitat, confiança i quan actuar (ara / propera parada / propera setmana).
-
5
Acció: ordre de treball i recanvisIntegració amb GMAO/CMMS i ERP perquè l’alerta generi feina útil: ordre, recanvi, planificació i evidència.
-
6
Mesura i millora contínuaRevises resultats (abans/després), redueixes soroll i afines llindars/models per evitar saturació.
Sensors IoT i fonts de dades: per on començar (sense complicar-te)
No cal “sensoritzar-ho tot” el primer dia. El millor punt de partida és: actius crítics + modes de fallada comuns + dades que ja tens. En molts entorns industrials, ja existeixen dades valuoses a PLC/SCADA, historiadors o comptadors d’energia.
1) Dades que sovint ja existeixen
- PLC/SCADA/MES: consignes, temperatures, pressions, velocitats, parades i motius.
- Energia: consum, pics, factor de potència i patrons anòmals (molt útil per motors i equips rotatius).
- Històric de manteniment: avaries, recanvis, temps de reparació, MTTR/MTBF, notes de tècnic.
- Producció i qualitat: canvis de producte, rebutjos, microparades i condicions de procés.
2) Sensorització IoT addicional quan el cas ho demana
Si l’actiu no exposa prou dades (o si vols més precisió), afegir sensors pot ser molt rendible si es fa amb criteri.
- Vibració (acceleròmetres): rodaments, desalineacions, desequilibris, cavitació.
- Temperatura: motors, reductores, quadres elèctrics, coixinets, lubricació.
- Acústica / ultrasons: fuites, fricció anòmala, defectes incipients.
- Corrent i potència: signatures elèctriques, sobrecàrrega, deteriorament progressiu.
- Pressió / cabal: sistemes hidràulics, pneumàtics i bombes.
- Anàlisi d’oli / partícules: desgast intern (quan el cost d’avaria és alt).
Priorització recomanada: comença pels components que generen més aturades, més cost o més risc de seguretat.
IA i analítica: models útils (sense fum)
La IA és una eina, no una solució màgica. En manteniment intel·ligent, el que funciona és el que genera alertes clares, amb context i una acció recomanada. A la pràctica, la millor combinació sol ser: regles + estadística + ML (i govern).
Quins enfocaments es fan servir més
Llindars i regles (bon punt de partida)
Perfecte per començar: “si vibració > X durant Y minuts”, “si temperatura puja +Z respecte baseline”. Funciona especialment bé quan tens falles conegudes i senyals clars.
Detecció d’anomalies (quan no tens etiquetes d’avaria)
Aprèn què és normal i detecta desviacions. Ideal quan hi ha poca història d’avaries, però sí molta dada contínua. La clau és reduir falsos positius i donar context (càrrega, torn, temperatura ambient…).
Classificació i risc (fallada imminent vs normal)
Si tens dades etiquetades (o casos ben documentats), pots entrenar models que classifiquin situacions de risc. És útil per prioritzar inspeccions i fer triatge d’alertes.
Predicció de sèries temporals i degradació
Ajuda a anticipar evolució d’un indicador (vibració, consum, pressió). És pràctic per planificar finestres d’intervenció i evitar que la degradació “creui el punt de no retorn”.
RUL (Remaining Useful Life): estimar vida útil restant
El RUL és una manera d’expressar la predicció en llenguatge operatiu: quant temps queda (o quants cicles/hores) abans d’una fallada probable. És potent quan tens dades consistents i un bon model del context d’ús.
Prescripció: què fer i quan fer-ho
El pas següent: no només detectes risc, sinó que optimitzes accions amb restriccions reals (taller, recanvis, producció, SLA, seguretat). Aquí és on el manteniment es connecta amb planificació i operacions.
Consell pràctic: demana sempre que cada alerta respongui a 4 preguntes: què passa, on passa, quan s’ha d’actuar i què recomanes fer.
Implementació en 6 passos: de pilot a escala (amb criteri)
La diferència entre un pilot que es queda “en prova” i un desplegament que genera valor és la mateixa: procés, integració i mesura. Aquí tens un camí realista per començar i escalar.
- Selecciona actius crítics (impacte en producció, seguretat i cost) i defineix objectiu i KPIs.
- Mapa de falles (FMEA lleuger): quins modes de fallada són més freqüents i com es manifesten.
- Dades i sensorització: aprofita dades existents i afegeix sensors només on aportin senyal útil.
- Pilot amb integració: no només dashboards; connecta alertes a GMAO/CMMS perquè generin accions.
- Validació operativa: revisa falsos positius/negatius amb tècnics i ajusta llindars/models.
- Estandarditza i escala: plantilles per tipus d’actiu, govern de dades, ciberseguretat i rutina de revisió.
On es guanya el ROI: integració i automatització
És habitual veure projectes de “monitoratge” que es queden en pantalles. El salt real arriba quan: l’alerta crea ordre de treball, informa recanvis i encaixa amb la planificació.
- GMAO/CMMS: alertes → ordres → historial → evidències.
- ERP/magatzem: recanvis crítics, temps d’aprovisionament i cost total.
- Operacions: finestres de manteniment alineades amb producció i SLA.
Si necessites alinear objectius, dades i un pla 30/60/90 dies, mira també Consultoria i Roadmap d’IA.
Demana la checklist per email: “Checklist manteniment intel·ligent (IoT + IA)” i te la tornem amb recomanacions pràctiques segons el teu cas.
KPIs per demostrar impacte i evitar projectes “bonics” però inútils
En manteniment intel·ligent, l’èxit no és “tenir un model”. És millorar indicadors que l’empresa nota. Aquests KPIs són útils perquè connecten tecnologia amb resultat:
- Parades no planificades: nombre, durada i cost associat.
- Disponibilitat i OEE: impacte en rendiment real de línia.
- MTBF / MTTR: fiabilitat i capacitat de recuperació.
- % treball planificat vs. emergències: quan puja el planificat, baixa el caos.
- Cost de manteniment per actiu i per unitat produïda.
- Recanvis: rotació, ruptures d’estoc i urgències.
- Qualitat: rebutjos i reprocessos associats a degradació d’equip.
- Energia: consums anòmals (sobretot en equips rotatius i HVAC industrial).
Recomanació: defineix un baseline (abans) i mesura després. Sense baseline, és molt difícil demostrar el ROI i prioritzar millores.
Exemples d’aplicació per sectors
El manteniment intel·ligent no és només “fàbriques”. Funciona sempre que hi hagi actius crítics, dades i una decisió recurrent. Alguns casos típics:
Manufactura i indústria
- Motors, reductores, bombes, compressors, ventiladors, rodaments.
- Línies de producció: microparades, vibració, temps de cicle, qualitat.
- CNC i eines: degradació, desviació de qualitat i parades costoses.
Edificis i instal·lacions
- HVAC, calderes, chillers: eficiència, anomalies i manteniment basat en condició.
- Ascensors i sistemes crítics: detecció primerenca i planificació de revisió.
Transport, flotes i logística
- Telemàtica + sensors per anticipar avaries i optimitzar taller i recanvis.
- Magatzems automatitzats: conveyors, AGVs, robots i sistemes de classificació.
Si el teu cas és flota, també et pot interessar aquesta guia: manteniment de flotes amb sensors IoT i analítica predictiva .
Errors habituals i com evitar-los
- Mesurar massa coses al principi: comença amb actius crítics i senyals que realment expliquen falles.
- Dashboards sense procés: defineix propietari, acció i criteri de prioritat per cada alerta.
- No integrar amb GMAO/CMMS: si no genera ordres i evidència, el ROI es dilueix.
- Ignorar el context: càrrega, torn i condicions ambientals poden canviar el “normal”.
- Saturar l’equip amb alertes: menys alertes però més accionables (amb finestra temporal i recomanació).
- No definir KPIs des del dia 0: sense mètrica, no hi ha priorització ni escalat segur.
- Oblidar ciberseguretat i govern de dades: connectar equips és potent, però s’ha de fer amb control.
Glossari ràpid (per llegir-ho sense dubtes)
- IoT / IIoT: dispositius i sensors connectats (industrial IoT quan és entorn industrial).
- CBM: manteniment basat en condició (intervenció segons salut real de l’actiu).
- PdM: manteniment predictiu (predicció de risc i finestra temporal d’acció).
- RUL: “Remaining Useful Life”, estimació de vida útil restant.
- GMAO/CMMS: sistema de gestió de manteniment (ordres de treball, històrics, planificació).
- SCADA/PLC: supervisió i control industrial (on sovint hi ha dades molt valuoses).
- Edge: processament prop de la màquina (baixa latència, menys dependència del núvol).
Preguntes freqüents sobre manteniment intel·ligent
Què és exactament el manteniment intel·ligent?
És una estratègia que usa sensors, dades operatives i analítica (inclosa IA) per decidir quan intervenir en un equip segons el seu estat real. L’objectiu és reduir avaries, planificar millor i allargar la vida útil dels actius.
Manteniment intel·ligent i manteniment predictiu: és el mateix?
Sovint s’utilitzen com a sinònims, però “intel·ligent” és més ampli: inclou monitorització (CBM), predicció (PdM) i, si escau, recomanació d’accions (prescriptiu), sempre integrat a processos i KPIs.
Necessito sensors nous o puc començar amb dades de PLC/SCADA?
Molts casos poden començar amb dades existents (PLC/SCADA, consum energètic, històric de GMAO/CMMS). Els sensors addicionals s’afegeixen quan cal més senyal o quan l’actiu no exposa dades útils.
Quins sensors solen ser més útils per començar?
Depèn de l’actiu, però vibració i temperatura són molt habituals en equips rotatius; corrent/potència és molt valuós per motors; pressió/cabal en sistemes hidràulics i bombes; i acústica/ultrasons per fuites o fricció anòmala.
Com s’evita saturar l’equip amb massa alertes?
Amb priorització i context: cada alerta ha d’indicar criticitat, confiança i finestra d’acció. A més, cal integrar-ho a processos (qui ho rep, què fa, com es registra) i revisar periòdicament falsos positius.
Com s’integra amb la GMAO/CMMS i l’ERP?
Mitjançant integracions via API o connectors: alertes → ordres de treball; vinculació amb actiu, recanvis i historial; i, si convé, automatització de notificacions i fluxos. Aquesta integració és el que normalment desbloqueja el ROI.
Edge o cloud: on ha d’anar la IA?
Depèn del cas: edge dona baixa latència i continuïtat si cau la connexió; cloud facilita escalat i analítica avançada. Moltes arquitectures combinen ambdues: processament bàsic a edge i modelatge/monitoratge al núvol.
Quant temps cal per veure resultats i com es mesura el ROI?
Es veu més ràpid quan comences per actius crítics i integres amb GMAO/CMMS. El ROI es mesura amb baseline vs després: menys parades no planificades, més treball planificat, menys urgències de recanvi i millores en OEE/qualitat/energia segons el cas.
Vols passar del “mirem-ho” al “fem-ho” amb dades i procés?
Explica’ns quin actiu és crític i quin problema vols reduir (parades, cost, qualitat, energia). Et proposem un enfoc pragmàtic: començar petit, validar amb KPIs i escalar amb govern i integració.
També pots començar per Solucions d’IA o reservar un enfoc més estratègic amb Consultoria i Roadmap d’IA.