Tu técnico más experimentado se jubila el año que viene. Su criterio no está en ningún sensor. Está en miles de órdenes de trabajo que nadie ha vuelto a abrir.
El sensor mide. La OT explica
El gemelo digital se alimenta de datos de sensores. Naqvi et al. (2022) señalan lo que casi nadie usa: el conocimiento humano guardado en las órdenes de trabajo del CMMS. Ahí está lo que la vibración no dice —el contexto, la causa probable, qué se intentó antes y qué no funcionó.
El desorden dejó de ser excusa
Su caso de estudio: 5.485 órdenes de trabajo reales de excavadoras mineras, recogidas a lo largo de diez años. Un desastre de texto. “l/h”, “L/H”, “LH” y “lhs” para decir lo mismo. “Replace” y “changeout” usados indistintamente. Faltas de ortografía, abreviaturas propias de la planta, frases sin estructura.
Ese desorden fue durante años la razón perfecta para no tocar el histórico. Ya no lo es: un modelo de lenguaje ajustado al dominio lo procesó con casi nada de limpieza previa —solo pasar el texto a mayúsculas— y recuperó casos equivalentes con 80% o más de similitud.
No predice. Da precedente
El servicio no dice cuándo va a fallar el equipo. Ante un problema nuevo devuelve hasta cinco casos pasados parecidos y qué se hizo en cada uno. No reemplaza al técnico: le entrega la memoria de la planta en segundos.
Conclusión
Tu histórico vale, pero solo si existe. Si la orden se cierra con “reparado”, no hay nada que recuperar dentro de cinco años.
Lo que hoy escribe tu técnico es el activo que mañana consultará el que llegue. Si esto conecta con un problema real en tu planta, escríbenos.
Referencia (APA): Naqvi, S. M. R., Ghufran, M., Meraghni, S., Varnier, C., Nicod, J.-M., & Zerhouni, N. (2022). Human knowledge centered maintenance decision support in digital twin environment. Journal of Manufacturing Systems, 65, 528–537. https://doi.org/10.1016/j.jmsy.2022.10.003
Your most experienced technician retires next year. His judgement isn’t in any sensor. It’s in thousands of work orders nobody has opened since.
The sensor measures. The work order explains
Digital twins are fed by sensor data. Naqvi et al. (2022) point at what almost nobody uses: the human knowledge stored in the work orders inside your CMMS. That’s where the things vibration can’t tell you live —context, likely cause, what was tried before and what didn’t work.
The mess stopped being an excuse
Their case study: 5,485 real maintenance work orders from mining excavators, collected over ten years. A textual disaster. “l/h”, “L/H”, “LH” and “lhs” all meaning the same thing. “Replace” and “changeout” used interchangeably. Typos, in-house abbreviations, sentences with no structure.
For years that mess was the perfect reason not to touch the history. Not anymore: a domain fine-tuned language model processed it with almost no preprocessing —just normalising the text to upper case— and retrieved equivalent cases at 80% similarity or higher.
It doesn’t predict. It gives precedent
The service doesn’t tell you when the asset will fail. Facing a new problem, it returns up to five similar past cases and what was done in each. It doesn’t replace the technician: it hands him the plant’s memory in seconds.
Takeaway
Your history is worth something, but only if it exists. If the work order is closed with “fixed”, there is nothing to retrieve five years from now.
What your technician writes today is the asset whoever comes next will consult. If this connects with a real problem in your plant, write to us.
Reference (APA): Naqvi, S. M. R., Ghufran, M., Meraghni, S., Varnier, C., Nicod, J.-M., & Zerhouni, N. (2022). Human knowledge centered maintenance decision support in digital twin environment. Journal of Manufacturing Systems, 65, 528–537. https://doi.org/10.1016/j.jmsy.2022.10.003
