Durante los últimos años, la industria local ha experimentado un aumento en la demanda de su infraestructura, en conjunto con la renovación de equipos y personal, los sistemas, protocolos y mecanismos de mantenimiento las instalaciones no han podido mantener un ritmo adecuado o una eficiencia deseada y necesaria para mantener flujos de producción constantes y mantenerse a la par de competidores, tanto nacionales como internacionales. A nivel mundial se ha observado la integración transversal de sistemas de machine learning y el procesamiento de datos para establecer las nuevas directivas de mantenimiento predictivo y sentado las bases de “Mantenimiento prescriptivo”, todo esto en el marco de la Industria 4.0 y de lo que algunos llaman “Mantenimiento 4.0” o Next Gen Maintenance. Pero esta necesidad de una actualización en los métodos de mantenimiento no viene solo del deseo de estar a la par de las tecnologías actuales y mantenerse vigente entre los competidores, si no que el fuerte cambio en los estándares de fabricación y tecnologías de equipos de instrumentación, la obsolescencia de los equipos, la perdida de personal especializado han llevado a comprometer y no poder establecer una estandarización o métricas precisas del estado de las línea de producción que tengan más de 10 años de vigencia, lo que en consecuencia, afecta a parametrizar y programar las mantenciones de manera adecuadas en los momentos más oportunos. ¿Es posible establecer un sistema de mantenimiento predictivo a baja escala, integrable y escalable para la industria local, para los diversos sectores productivos y de distinto tamaño?

Convirtiéndose esto en la meta de esta investigación, abordaremos el emparejamiento de sensores de corriente para establecer la potencia y correlacionarla con el análisis de la vibración de los equipos electromecánicos, también se plantea el uso de cámaras térmicas de bajo coste para serializar y masificar el uso para detección de problemas en etapas tempranas. Todo esto cohesionado en una arquitectura de software que permita la predicción de futuras fallas mediante técnicas de DL y uso de herramientas estadísticas.

Se plantea una solución de mantenimiento predictivo orientada (inicialmente, pero no limitada) a equipos electromecánicos en el marco de la Industria 4.0, abordando las necesidades de la industria local. La propuesta integra tecnologías avanzadas como Deep learning, análisis de datos en tiempo real y sensores no invasivos, permitiendo anticipar fallas y optimizar la eficiencia operativa sin requerir intervenciones disruptivas en las infraestructuras existentes. El sistema se destaca por ser una alternativa accesible a las soluciones comerciales de alto costo, ofreciendo una herramienta valiosa para diferentes entornos industriales. La implementación técnica se basa en el microcontrolador ESP32C6, configurado para captar datos de sensores de vibración, temperatura y corriente. Estos datos son procesados mediante algoritmos de aprendizaje automático y redes neuronales profundas, permitiendo la detección de anomalías y la predicción de posibles fallos. El sistema utiliza una arquitectura que incluye preprocesamiento de datos, análisis estadístico, y un módulo de aprendizaje automático que mejora continuamente la precisión de las predicciones basándose en datos históricos. La arquitectura de este sistema es una implementación integral de tecnologías de la Industria 4.0, específicamente diseñada para optimizar el mantenimiento predictivo en entornos industriales. El sistema se construye sobre múltiples capas interconectadas que trabajan en conjunto para proporcionar una solución completa de monitoreo y predicción, aprovechando tecnologías avanzadas de sensores, procesamiento de datos y aprendizaje automático.