01What it isQué es
Predictive maintenance uses sensor data and machine learning to estimate when a specific asset — a conveyor motor, a compressor, a forklift — is degrading, so it is repaired just before it fails instead of on a fixed calendar or after it breaks.
El mantenimiento predictivo usa datos de sensores y machine learning para estimar cuándo un activo específico —un motor de banda, un compresor, un montacargas— se está degradando, de modo que se repare justo antes de fallar y no según un calendario fijo o después de que se descomponga.
02Why it mattersPor qué importa
In a CEDIS or plant, one critical motor can stop all outbound flow, and calendar-based replacement both wastes good parts and misses failures that arrive early. Condition-based maintenance, built on diagnostics and prognostics from monitored signals, is the established alternative to time-based maintenance (Jardine, Lin and Banjevic, 2006 — Mechanical Systems and Signal Processing). The value comes from turning an unplanned stoppage into a scheduled, short intervention.
En un CEDIS o una planta, un solo motor crítico puede detener todo el flujo de salida, y el reemplazo por calendario desperdicia piezas en buen estado y no detecta las fallas que llegan antes. El mantenimiento basado en condición, sustentado en diagnóstico y pronóstico a partir de señales monitoreadas, es la alternativa establecida al mantenimiento basado en tiempo (Jardine, Lin and Banjevic, 2006 — Mechanical Systems and Signal Processing). El valor está en convertir un paro no planeado en una intervención breve y programada.
03How it is doneCómo se hace
1
Rank assets by stoppage cost. Instrument first the assets whose failure stops shipping or production, not the ones easiest to wire.
2
Detect anomalies, then predict. Start with unsupervised anomaly detection and move to supervised failure or remaining-life models once failures are well labeled.
3
Close the loop with maintenance. Track whether each alert was a real fault, feed that back into the model and retrain as assets age.
1
Prioriza activos por costo de paro. Instrumenta primero los activos cuya falla detiene embarques o producción, no los más fáciles de cablear.
2
Detecta anomalías, luego predice. Comienza con detección de anomalías no supervisada y avanza a modelos supervisados de falla o de vida remanente cuando las fallas estén bien etiquetadas.
3
Cierra el ciclo con mantenimiento. Registra si cada alerta fue una falla real, retroalimenta el modelo y reentrénalo conforme los activos envejecen.
04The concept in depthEl concepto a fondo
Predictive maintenance: the ML that predicts the failure before it occurs›
Predictive maintenance (PdM) uses ML models trained on historical sensor data from industrial assets (vibrations, temperature, pressure, current) to predict when an asset will fail — before the failure occurs. Unlike preventive maintenance (which replaces components at fixed intervals regardless of their actual state), PdM replaces components only when the model detects their condition is deteriorating.
Predictive maintenance sensors and data›
(1) Vibration: vibration analysis of a motor or bearing is the most sensitive indicator of mechanical degradation. A change in the dominant frequency of vibration can detect an emerging failure 2–4 weeks before total asset failure. (2) Temperature: overheating indicates multiple problems (insufficient lubrication, electrical overload, rotor imbalance). (3) Electrical current: motor current analysis detects mechanical and electrical problems. (4) Ultrasound: detects air leaks and bearing problems.
The most widely used ML algorithms in predictive maintenance›
(1) Anomaly detection (Isolation Forest, Autoencoders): detects when sensor parameters deviate from the normal pattern — the earliest signal of degradation. (2) Supervised learning (Random Forest, XGBoost): trains the model with historical failure data to predict failure probability in the next X hours. (3) Remaining Useful Life (RUL) prediction: predicts how many operating hours remain before the asset fails — the most useful output for maintenance planning.
Intermediate vs. Advanced›
Intermediate: manages assets with preventive maintenance programs and condition monitoring system alerts.
Advanced: designs and implements the predictive maintenance system with correct ML algorithms for each asset type; manages the PdM model lifecycle.
Advanced: designs and implements the predictive maintenance system with correct ML algorithms for each asset type; manages the PdM model lifecycle.
Mantenimiento predictivo: el ML que predice la falla antes de que ocurra›
El mantenimiento predictivo (PdM) utiliza modelos de ML entrenados con datos históricos de sensores de activos industriales (vibración, temperatura, presión, corriente) para predecir cuándo fallará un activo, antes de que la falla ocurra. A diferencia del mantenimiento preventivo (que reemplaza componentes a intervalos fijos sin importar su estado real), el PdM los reemplaza solo cuando el modelo detecta que su condición se está deteriorando.
Sensores y datos del mantenimiento predictivo›
(1) Vibración: el análisis de vibración de un motor o rodamiento es el indicador más sensible de degradación mecánica. Un cambio en la frecuencia dominante de vibración puede detectar una falla incipiente 2–4 semanas antes de la falla total del activo. (2) Temperatura: el sobrecalentamiento indica múltiples problemas (lubricación insuficiente, sobrecarga eléctrica, desbalance del rotor). (3) Corriente eléctrica: el análisis de corriente del motor detecta problemas mecánicos y eléctricos. (4) Ultrasonido: detecta fugas de aire y problemas en rodamientos.
Los algoritmos de ML más utilizados en mantenimiento predictivo›
(1) Detección de anomalías (Isolation Forest, autoencoders): detecta cuándo los parámetros de los sensores se desvían del patrón normal, la señal más temprana de degradación. (2) Aprendizaje supervisado (Random Forest, XGBoost): entrena el modelo con datos históricos de fallas para predecir la probabilidad de falla en las próximas X horas. (3) Predicción de vida útil remanente (RUL): estima cuántas horas de operación quedan antes de que el activo falle, el resultado más útil para la planeación del mantenimiento.
Intermedio vs. Avanzado›
Intermedio: gestiona activos con programas de mantenimiento preventivo y alertas de sistemas de monitoreo de condición.
Avanzado: diseña e implementa el sistema de mantenimiento predictivo con los algoritmos de ML adecuados para cada tipo de activo; gestiona el ciclo de vida de los modelos de PdM.
Avanzado: diseña e implementa el sistema de mantenimiento predictivo con los algoritmos de ML adecuados para cada tipo de activo; gestiona el ciclo de vida de los modelos de PdM.
05In practiceEn la práctica
PdM has the highest ROI for assets where unplanned stoppage cost is high›
A conveyor belt motor in a CEDIS that stops all outbound operations if it fails has a very different ROI than a secondary extraction fan that doesn't affect operations if it fails.
Start with anomaly detection (unsupervised) before attempting supervised failure learning›
For assets without failure history, anomaly detection is the only option. For assets with documented failure history (date, type, sensor condition before failure), supervised learning can be trained on that historical data.
Quality of historical failure data labeling is the prerequisite for the supervised PdM model›
A supervised PdM model needs to know exactly when and how each asset failed in the past. If maintenance records are incomplete or incorrect, the supervised model cannot be correctly trained.
The PdM model requires periodic retraining with the most recent data›
A new motor with 3 months of operation has a different sensor pattern than the same motor model with 3 years of operation. The PdM model must be periodically retrained to maintain its precision.
El PdM tiene el mayor ROI en activos donde el costo de un paro no planeado es alto›
El motor de una banda transportadora en un CEDIS, que detiene toda la operación de salida si falla, tiene un ROI muy distinto al de un extractor secundario cuya falla no afecta la operación.
Empieza con detección de anomalías (no supervisada) antes de intentar el aprendizaje supervisado de fallas›
Para activos sin historial de fallas, la detección de anomalías es la única opción. Para activos con historial de fallas documentado (fecha, tipo, condición de los sensores antes de la falla), el aprendizaje supervisado puede entrenarse con esos datos históricos.
La calidad del etiquetado del historial de fallas es el prerrequisito del modelo de PdM supervisado›
Un modelo de PdM supervisado necesita saber exactamente cuándo y cómo falló cada activo en el pasado. Si los registros de mantenimiento están incompletos o son incorrectos, el modelo supervisado no puede entrenarse correctamente.
El modelo de PdM requiere reentrenamiento periódico con los datos más recientes›
Un motor nuevo con 3 meses de operación tiene un patrón de sensores distinto al del mismo modelo de motor con 3 años de operación. El modelo de PdM debe reentrenarse periódicamente para mantener su precisión.
06Illustrative caseCaso ilustrativo
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Illustrative case: Predictive maintenance in CEDIS — distribution company, 42 conveyor belt motors
The company implements PdM for the 42 conveyor belt motors in the CEDIS after 3 unplanned stoppages in the previous year.
The company implements PdM for the 42 conveyor belt motors in the CEDIS after 3 unplanned stoppages in the previous year.
| Capability enabled by PdM | Preventive maintenance (before) | Predictive maintenance (after) |
|---|---|---|
| Bearing degradation detection in belt motors | Replacement every 6 months regardless of bearing state | Anomaly detection model detects degradation 3–4 weeks before failure · Replacement only when model indicates |
| Maintenance cost (preventive vs. predictive replacements) | $420K MXN/year in preventive replacements (some unnecessary) | $180K MXN/year in predictive replacements (only necessary ones) · Savings: $240K MXN/year |
| Unplanned line stoppages from motor failures | 3 unplanned stoppages/year · $180K MXN/stoppage in lost production cost | 0 unplanned stoppages in 18 months · $0 lost production cost |
Result: Total annual savings: $780K MXN (avoided unnecessary preventive maintenance + eliminated unplanned stoppages). PdM project ROI (IoT sensors + ML model + dashboard): $780K / $280K investment = 2.8× in first year.
Illustrative case built from typical industry values — not data from a specific company.Caso ilustrativo construido con valores típicos de la industria — no son datos de una empresa específica.
Caso ilustrativo: mantenimiento predictivo en CEDIS — empresa de distribución, 42 motores de bandas transportadoras
La empresa implementa PdM para los 42 motores de bandas transportadoras del CEDIS después de 3 paros no planeados el año anterior.
La empresa implementa PdM para los 42 motores de bandas transportadoras del CEDIS después de 3 paros no planeados el año anterior.
| Capacidad habilitada por el PdM | Mantenimiento preventivo (antes) | Mantenimiento predictivo (después) |
|---|---|---|
| Detección de degradación de rodamientos en motores de banda | Reemplazo cada 6 meses sin importar el estado del rodamiento | El modelo de detección de anomalías detecta la degradación 3–4 semanas antes de la falla · Reemplazo solo cuando el modelo lo indica |
| Costo de mantenimiento (reemplazos preventivos vs. predictivos) | $420K MXN/año en reemplazos preventivos (algunos innecesarios) | $180K MXN/año en reemplazos predictivos (solo los necesarios) · Ahorro: $240K MXN/año |
| Paros de línea no planeados por fallas de motor | 3 paros no planeados/año · $180K MXN/paro en costo de producción perdida | 0 paros no planeados en 18 meses · $0 de costo de producción perdida |
Resultado: Ahorro anual total: $780K MXN (mantenimiento preventivo innecesario evitado + paros no planeados eliminados). ROI del proyecto de PdM (sensores IoT + modelo de ML + dashboard): $780K / $280K de inversión = 2.8× en el primer año.
07How it is measuredCómo se mide
Predictive Maintenance Model Precision % (% of model alerts resulting in a real failure)›
Predictive Maintenance Model Precision % (% of model alerts resulting in a real failure)
(PdM model alerts where inspection confirms real degradation / Total PdM model alerts) × 100
Benchmark: >70% precision in mature PdM models · <40% precision indicates too many false positives eroding maintenance team confidence
⚠️ A PdM model with 20% precision (80% of alerts are false alarms) generates the "boy who cried wolf" syndrome — the maintenance team stops acting on alerts because most are incorrect.
Mean Time Between Failures (MTBF) improvement with PdM›
Mean Time Between Failures (MTBF) improvement with PdM
MTBF with predictive maintenance / MTBF with preventive maintenance × 100 − 100
Benchmark: 30–60% MTBF improvement on assets with correctly implemented predictive maintenance
🔑 MTBF is the business metric of predictive maintenance. A 40% MTBF improvement on critical CEDIS motors means about 29% fewer unplanned stoppages (1 ÷ 1.4) — with direct impact on OTIF and production cost.
Precisión del modelo de mantenimiento predictivo % (% de alertas del modelo que corresponden a una falla real)›
Precisión del modelo de mantenimiento predictivo % (% de alertas del modelo que corresponden a una falla real)
(Alertas del modelo de PdM en las que la inspección confirma degradación real / Total de alertas del modelo de PdM) × 100
Benchmark: >70% de precisión en modelos de PdM maduros · <40% de precisión indica demasiados falsos positivos que erosionan la confianza del equipo de mantenimiento
⚠️ Un modelo de PdM con 20% de precisión (80% de las alertas son falsas alarmas) genera el síndrome de “Pedro y el lobo”: el equipo de mantenimiento deja de actuar ante las alertas porque la mayoría son incorrectas.
Mejora del tiempo medio entre fallas (MTBF) con PdM›
Mejora del tiempo medio entre fallas (MTBF) con PdM
MTBF con mantenimiento predictivo / MTBF con mantenimiento preventivo × 100 − 100
Benchmark: 30–60% de mejora del MTBF en activos con mantenimiento predictivo correctamente implementado
🔑 El MTBF es la métrica de negocio del mantenimiento predictivo. Una mejora de 40% del MTBF en los motores críticos del CEDIS significa alrededor de 29% menos paros no planeados (1 ÷ 1.4), con impacto directo en el OTIF y en el costo de producción.
08What you would useQué se usa
📌 Predictive Maintenance
Azure IoT Hub + Azure ML / AWS IoT + SageMaker›
Module: Industrial IoT + ML Platform for Predictive Maintenance
The reference cloud IoT and ML platforms for predictive maintenance at scale.
The reference cloud IoT and ML platforms for predictive maintenance at scale.
C3 AI Reliability / Avathon (formerly SparkCognition)›
Module: Purpose-Built Predictive Maintenance AI Platform
Specialized predictive maintenance platforms with pre-trained models for the most common industrial asset types.
Specialized predictive maintenance platforms with pre-trained models for the most common industrial asset types.
📌 Mantenimiento predictivo
Azure IoT Hub + Azure ML / AWS IoT + SageMaker›
Módulo: Plataforma de IoT industrial + ML para mantenimiento predictivo
Las plataformas cloud de IoT y ML de referencia para mantenimiento predictivo a escala.
Las plataformas cloud de IoT y ML de referencia para mantenimiento predictivo a escala.
C3 AI Reliability / Avathon (antes SparkCognition)›
Módulo: Plataforma de IA especializada en mantenimiento predictivo
Plataformas especializadas de mantenimiento predictivo con modelos preentrenados para los tipos de activos industriales más comunes.
Plataformas especializadas de mantenimiento predictivo con modelos preentrenados para los tipos de activos industriales más comunes.
The bottom lineEn corto
Fix the machine the week before it breaks, not every six months and not the day it stops the line.
Repara la máquina la semana antes de que falle, no cada seis meses ni el día en que detiene la línea.
← PreviousAnteriorData catalog & business glossary: making supply chain data discoverableCatálogo de datos y glosario de negocio: haciendo los datos de SC descubriblesNextSiguiente →Route optimization ML: dynamic routing, time windows & multi-depotML de optimización de rutas: ruteo dinámico, ventanas de tiempo y multi-depósito
All D12 componentsTodos los componentes de D12D12 artifactsArtifacts de D12SCRA