En power quality, los eventos críticos no siempre aparecen como un “blackout” evidente: a menudo son intermitentes, multicausa y están muy ligados a lo que ocurre en el proceso (arranques, ciclos rápidos, cargas no lineales). Precisamente por ese carácter “escurridizo”, los datos son el primer activo real: si no mides, no puedes distinguir una anomalía aislada de un pattern recurrente que ya está erosionando la fiabilidad y la productividad.
El punto de partida es una recogida estructurada de evidencias mediante un energy audit: mediciones, historización de datos y lectura técnica de magnitudes eléctricas (y, cuando existan, físicas). Una vez identificadas las problemáticas – variaciones de tensión, micro-interrupciones, inestabilidad, distorsión, stress térmico – el siguiente paso es seleccionar e implementar las soluciones tecnológicas adecuadas (estabilización, compensación, filtrado, power factor correction, optimización).
Pero ahí el trabajo no “termina”: el mantenimiento predictivo se convierte en la herramienta ideal para garantizar el correcto funcionamiento de los equipos y prevenir problemas antes de que impacten en la producción. Trends, anomalías repetidas, superaciones de umbral, sobrecalentamientos e inestabilidad no son solo alarmas: son señales débiles que, si se interpretan y correlacionan, permiten actuar de forma dirigida.
En este contexto, el monitoring cloud es un recurso clave: habilita histórico, alerting y análisis scalable, convirtiendo el power quality en una disciplina realmente data-driven.
DÓNDE EL ANÁLISIS DE DATOS MEDIANTE UN ENERGY AUDIT GENERA MÁS VALOR EN POWER QUALITY (SECTORES Y ESCENARIOS)
SECTORES DE ALTA SENSIBILIDAD
- Manufactura automatizada (líneas, robots, packaging): disparos, resets y micro-paradas costosas porque rompen secuencias y sincronismos.
- Industria de proceso (química, plásticos, papel, cementeras): continuidad, cargas variables y stress térmico → el análisis de trends aporta mucho.
- Food & beverage: paradas de línea e inestabilidad eléctrica pueden traducirse en scrap y pérdida de lote.
- Pharma/electrónica: calidad y repetibilidad del proceso requieren parámetros estables y control de anomalías.
- Data centers/infraestructura crítica: tolerancia casi cero; incluso micro-interrupciones y perturbaciones rápidas importan.
- Logística automatizada: muchos drives, ciclos rápidos y picos de carga → clave detectar repetición y correlaciones.
Ortea se dirige a entornos industriales, terciario avanzado e infraestructuras donde la continuidad y la protección de equipos son prioridades operativas.
POR QUÉ POWER QUALITY ES DATA-DRIVEN Y POR QUÉ EL MANTENIMIENTO PREDICTIVO ES IMPORTANTE
NO PREDICES EL FUTURO: RECONOCES PATTERNS DE DEGRADACIÓN
El mantenimiento predictivo no es “magia”: no consiste en adivinar cuándo ocurrirá una avería, sino en reconocer cómo se está degradando un sistema. La diferencia práctica:
- Avería súbita: parece llegar sin aviso (a menudo porque no se midió la variable adecuada o con la granularidad correcta).
- Avería con trazas: deja señales antes del evento final (drift lento, variabilidad creciente, micro-eventos repetidos).
En power quality, la “traza” puede ser un evento muy breve (transitorio), un trend lento (drift de tensión/corrientes/power factor) o una correlación con condiciones específicas del proceso.
DE “PARADA DE MÁQUINA” A “SEÑAL DE RIESGO” (SEÑALES DÉBILES A BUSCAR)
Las señales débiles no son diagnósticos definitivos: indican que la probabilidad de un problema está creciendo. Captarlas pronto reduce paradas no planificadas y mejora la calidad de la intervención.
Señales a monitorizar (lógica “trend + contexto”):
- Temperatura anómala persistente: primer indicador de stress, ventilación insuficiente o componentes fuera de especificación.
- Drift de parámetros (tensión, power factor, corrientes): cuenta la deriva vs baseline y la velocidad de cambio.
- Repetición de transitorios/eventos: un evento pequeño pero frecuente suele ser más serio que un pico aislado.
- Aumento de alarmas menores: suele anticipar alarmas mayores; el sistema “empeora” gradualmente.
- Anomalía correlacionada con el proceso: aparece solo con una línea/máquina/receta → lo predictivo se convierte en diagnóstico.
- Oscilaciones más amplias: si un KPI “baila” cada vez más, normalmente se está perdiendo control.
MANTENIMIENTO PREDICTIVO VS PREVENTIVO (EXPLICACIÓN PRÁCTICA)
- Preventivo = calendario
Intervenciones planificadas independientemente del estado real. Útil, pero puede provocar sustituciones prematuras o revisiones “en vacío”.
- Predictivo = condición real
Intervenciones basadas en evidencia: menos acciones innecesarias, más acciones dirigidas, mayor probabilidad de eliminar la root cause.
MÉTODO OPERATIVO: CÓMO CONSTRUIR UN MANTENIMIENTO PREDICTIVO EFICAZ
STEP 1 – ACTIVOS CRÍTICOS Y FAILURE MODES (FMEA “LIGHT”)
Empieza por los activos cuyo deterioro genera mayor coste: paradas, scrap, pérdida de calidad, riesgos de seguridad o compliance. Define de forma pragmática “cómo fallan” (FMEA light): componentes críticos, failure modes típicos, impacto en el proceso, señales observables y contramedidas.
Lógica útil: evento à efecto à evidencia medible. En power quality, la evidencia suele estar en patterns, no solo en valores instantáneos.
STEP 2 – BASELINE + GRANULARIDAD
La baseline define lo “normal” (por planta, línea, turno, producto). Sin baseline, cualquier umbral es arbitrario.
La granularidad importa porque muchas perturbaciones son rápidas: si mides demasiado lento, te pierdes lo que causa micro-paradas y resets. La baseline debe incluir:
- ventanas representativas (días/semanas),
- condiciones de proceso diversas,
- segmentación por línea/máquina/receta cuando sea necesario.
STEP 3 – REGLAS DE DETECCIÓN (MÁS ALLÁ DEL UMBRAL)
- Umbral estático
- Umbral dinámico (vs baseline)
- Trend
- Rate-of-change
- Correlaciones con el proceso
STEP 4 – WORKFLOW: DE LA ALERTA A LA ACCIÓN (EVITAR ALARM FATIGUE)
- Quién recibe qué
- Severidad/prioridad
- Tiempos de respuesta y escalado
- Cierre de la alerta con nota técnica
- Root cause y base de conocimiento interna
KPI Y DELIVERABLES ÚTILES (TÉCNICOS + MANAGEMENT)
KPI TÉCNICOS
- Eventos (número/tipo)
- Estabilidad y variabilidad
- Trends y drift
- Repetición
- Tiempo en anomalía
Deliverables típicos:
- informe de eventos (clasificación/severidad)
- gráficos y comparativas vs baseline
- correlaciones con proceso (si existen)
- lista priorizada de acciones
KPI OPERATIVOS/ECONÓMICOS (SIN NÚMEROS)
- Diagnóstico más rápido
- Menos paradas
- Menos scrap
- Menos intervenciones “a prueba y error”
- Mayor vida útil de activos
POR QUÉ LOS DATOS EN CLOUD HACEN ESCALABLE EL MANTENIMIENTO PREDICTIVO (MULTI-SITE, HISTÓRICO, ALERTS, ANÁLISIS)
Ortea incluye servicios de telemonitoring mediante la plataforma cloud Ortea XCloud para controlar en tiempo real parámetros eléctricos, consumos y alarmas.
3 MOTIVOS PRÁCTICOS
- Continuidad e histórico
- Push alerts
- Análisis, export y reporting
ARQUITECTURA TÍPICA (DESCRIPCIÓN GENERAL)
- Sensores/instrumentos en campo
- Edge/gateway
- Plataforma cloud
- Dashboard + histórico de eventos
- Notificaciones + workflow
- Export / API / reports
UN EJEMPLO PRÁCTICO: ORTEA XCLOUD APLICADA AL MANTENIMIENTO PREDICTIVO
Imagina una empresa con varias áreas productivas y un objetivo claro: reducir micro-paradas e intervenciones reactivas ligadas a perturbaciones de red, variaciones de tensión o condiciones no óptimas.
En este contexto, Ortea XCloud se convierte en el punto único de control para el monitoring remoto de equipos, centralizando dashboards e histórico de eventos.
El valor, en clave predictiva, no es “ver una alerta”: es correlacionar lo que hace la planta con lo que dicen los datos. El monitoring continuo de magnitudes eléctricas y físicas permite identificar drift lento (baseline que se desplaza), transitorios repetidos e inestabilidad creciente. A la vez, disponer de alerts activas, gráficos e histórico ayuda a reconocer patterns: por ejemplo, una anomalía que aparece solo en el arranque de una línea, o un aumento progresivo de variabilidad al final del turno.
Operativamente, la posibilidad de descargar datos con filtros (por magnitudes e intervalo temporal) acelera el análisis post-evento y la investigación de root cause: en lugar de actuar “a ciegas”, el equipo técnico puede comprobar qué cambió antes de una parada o degradación. Cerrando el círculo, las notificaciones por email/SMS cuando una alarma se activa o se cierra reducen el tiempo de respuesta y evitan que una señal débil pase desapercibida hasta convertirse en un problema.
El resultado esperado es tangible: intervenciones más rápidas y más dirigidas, con reducción de disrupciones y costes indirectos (paradas, scrap, averías). El mantenimiento predictivo deja de ser un concepto y se convierte en un método: datos à señales à acción.
QUÉ SOLUCIONES ORTEA PUEDEN BENEFICIARSE DEL MONITORING PREDICTIVO
En mantenimiento predictivo, el valor del cloud crece cuando los equipos pueden observarse en el tiempo (trends, eventos recurrentes, alerts, condiciones operativas). Según configuración y objetivos (continuidad, calidad de tensión, eficiencia), esto puede incluir:
- Estabilizadores de tensión (Sirius / Sirius Advance)
- Sistemas de eficiencia/ahorro energético (Enersolve / Powersines)
- Compensadores de huecos de tensión y micro-interrupciones (Oxygen / Oxygen Zero)
- Sistemas de power factor correction (MULTImatic)
EL PAPEL DEL EDGE (NEB) EN DOS LÍNEAS
El edge (NEB, Next Cloud Edge Box) actúa como puente bidireccional entre el terreno y la plataforma en la nube: recopilación de datos, señalización y funciones operativas (actualizaciones, gestión remota), para acercar la inteligencia a la máquina.
