Compraste los sensores. Tienes años de historial. Y tu piloto de mantenimiento predictivo sigue sin predecir nada. La causa casi nunca está en el algoritmo.

El modelo no falla: nunca tuvo con qué aprender

Zio (2022) revisa por qué el mantenimiento predictivo sigue atascado en la práctica y apunta a tres huecos en la data que casi ninguna planta ha resuelto.

Los tres huecos

Solo tienes registros de equipos sanos. Las fallas son raras y casi nunca quedan bien documentadas. Un modelo que nunca vio una falla no la reconoce cuando llega.

No tienes etiquetas de estado. Sabes qué medía el equipo, no en qué nivel de degradación estaba en ese momento. Sin eso no hay diagnóstico: hay correlación.

Mides por evento, no en continuo. En la ronda, en la parada, cuando alguien se acuerda. Para estimar la vida útil restante hace falta una trayectoria, no fotos sueltas.

Qué cambia en tu planta

El orden se invierte. Primero decides qué equipos justifican el predictivo —no todos—, luego qué hay que registrar y con qué frecuencia, y recién al final el modelo. Y hay una condición que Zio pone como requisito, no como refinamiento: toda predicción de vida útil restante debe venir con su incertidumbre. “Quedan 40 días” no autoriza a nadie a parar una línea. “Entre 25 y 55 días, con 90% de confianza” sí.

Conclusión

Antes de pedir cotización por un sistema predictivo, responde una pregunta: de los equipos que quieres predecir, ¿cuántas fallas tienes documentadas con fecha, modo y estado previo? Si la respuesta es “pocas” o “no lo sé”, ese es tu proyecto real.

¿Tienes sensores instalados y ninguna decisión que dependa de ellos? Si esto conecta con un problema real, escríbenos.

Referencia (APA): Zio, E. (2022). Prognostics and Health Management (PHM): Where are we and where do we (need to) go in theory and practice. Reliability Engineering & System Safety, 218, 108119. https://doi.org/10.1016/j.ress.2021.108119

————————————————————————————————————————————————————————————————————————————————————————————–

 

Title: Your data only knows what healthy looks like

You bought the sensors. You have years of history. And your predictive maintenance pilot still predicts nothing. The cause is rarely the algorithm.

The model isn’t failing: it never had anything to learn from

Zio (2022) reviews why predictive maintenance is still stuck in practice, and points to three gaps in the data that almost no plant has closed.

The three gaps

You only have records of healthy equipment. Failures are rare and rarely well documented. A model that has never seen a failure won’t recognise one when it arrives.

You have no condition labels. You know what the asset was measuring, not what degradation state it was in at that moment. Without that there is no diagnosis: there is correlation.

You measure by event, not continuously. On the round, at the shutdown, when someone remembers. Estimating remaining useful life takes a trajectory, not scattered snapshots.

What changes in your plant

The order flips. First you decide which assets justify predictive maintenance —not all of them—, then what must be recorded and how often, and only at the end the model. And Zio sets one condition as a requirement, not a refinement: every remaining-useful-life prediction must come with its uncertainty. “40 days left” authorises no one to stop a line. “Between 25 and 55 days, at 90% confidence” does.

Takeaway

Before asking for a quote on a predictive system, answer one question: for the assets you want to predict, how many failures do you have documented with date, mode and prior condition? If the answer is “few” or “I don’t know”, that is your actual project.

Do you have sensors installed and not a single decision that depends on them? If this connects with a real problem, write to us.

Reference (APA): Zio, E. (2022). Prognostics and Health Management (PHM): Where are we and where do we (need to) go in theory and practice. Reliability Engineering & System Safety, 218, 108119. https://doi.org/10.1016/j.ress.2021.108119