Mantenimiento predictivo con IA en electrónica de potencia: del dato industrial al impacto real en planta

En la industria, el problema no suele ser la falta de datos.
El problema es qué hacer con ellos.

Equipos cada vez más complejos, electrónica de potencia crítica, exigencias de fiabilidad extrema y clientes que no toleran paradas ni degradaciones inesperadas. En este contexto, el mantenimiento tradicional (reactivo o puramente preventivo) empieza a quedarse corto.

El mantenimiento predictivo basado en inteligencia artificial se presenta como una alternativa clara. Pero también genera muchas dudas legítimas:
¿es viable?, ¿qué datos hacen falta?, ¿cómo se integra?, ¿qué retorno real tiene?

En este artículo compartimos cómo abordamos en Datision un proyecto de mantenimiento predictivo con IA en electrónica de potencia, partiendo precisamente de un caso industrial real recogido por GENCAT y poniendo el foco en lo que realmente importa en planta.

‍

Por qué el mantenimiento tradicional ya no es suficiente en electrónica de potencia

Los sistemas de electrónica de potencia (convertidores, inversores, fuentes de alimentación, SAI) operan bajo condiciones exigentes:

• Altas densidades de potencia
• Estrés térmico continuo
• Variabilidad de carga
• Requisitos estrictos de fiabilidad y seguridad

Durante años, el mantenimiento se ha apoyado en dos enfoques principales:

1. Correctivo: actuar cuando el fallo ya ha ocurrido
2. Preventivo: intervenir según calendarios o ciclos estimados

Ambos enfoques tienen limitaciones claras en este tipo de equipos:

• El correctivo implica paradas no planificadas, costes elevados y riesgos operativos.
• El preventivo tiende a ser conservador, con intervenciones innecesarias o tardías, y sin capacidad real de anticipación.

Además, muchos de estos equipos ya generan grandes volúmenes de datos (tensiones, corrientes, temperaturas internas, consumos), pero esos datos rara vez se utilizan para predecir comportamientos futuros.

Aquí es donde entra en juego la IA aplicada al mantenimiento.

Qué aporta realmente la inteligencia artificial al mantenimiento predictivo industrial

Queremos dejarlo claro desde el principio:
la IA no sustituye al conocimiento del equipo ni al criterio del ingeniero. Lo complementa.

En mantenimiento predictivo, la IA permite:

• Analizar grandes volúmenes de datos históricos y en tiempo real
• Detectar patrones de comportamiento normales y desviaciones sutiles
• Anticipar fallos antes de que sean evidentes para el operario
• Generar alertas accionables, no simples dashboards informativos

En lugar de preguntar “¿cuándo se estropea?”, el enfoque cambia a:

“Este equipo está empezando a comportarse de forma anómala respecto a su patrón habitual”.

Eso permite planificar intervenciones, reducir paradas imprevistas y optimizar la vida útil de los equipos.

Pero para que esto funcione, no basta con “poner un modelo”. Hace falta un enfoque industrial serio.

Caso real: mantenimiento predictivo en equipos de electrónica de potencia

Premium PSU es una empresa catalana con más de 40 años de experiencia en el diseño y fabricación de sistemas de conversión de energía. Sus equipos operan en sectores tan exigentes como el ferroviario, el energético o el industrial.

La necesidad era clara:
disponer de un sistema que permitiera monitorizar el funcionamiento real de los equipos, analizar su rendimiento y anticipar posibles fallos, sin comprometer la seguridad ni la trazabilidad de los datos.

El proyecto se desarrolló junto a Premium PSU, aplicando inteligencia artificial industrial al análisis del comportamiento real de equipos de electrónica de potencia, en el marco de un Open Innovation Challenge impulsado por ACCIÓ durante el congreso Advanced Factories 2024.

El reto técnico

Desde el punto de vista industrial, el reto no era menor:

• Recoger datos reales de funcionamiento de equipos de electrónica de potencia
• Gestionar variables eléctricas y térmicas críticas
• Garantizar la seguridad de los datos y la trazabilidad de los accesos
• Analizar la información en tiempo real, no sólo a posteriori
• Obtener valor práctico, no solo informes

No se trataba de un ejercicio académico, sino de una prueba piloto con condiciones industriales reales.

Del dato bruto al conocimiento accionable

Durante la prueba piloto se procesaron:

• Más de 7,7 millones de registros

• Correspondientes a 77 millones de valores individuales

• Incluyendo variables como tensiones, corrientes y temperaturas internas

Este volumen de datos ilustra un punto clave:
el mantenimiento predictivo no empieza en el modelo, empieza en el dato industrial real.

El sistema que diseñamos permitió recoger información en tiempo real, analizarla automáticamente mediante IA, detectar comportamientos anómalos respecto a patrones normales y mantener control total sobre accesos y seguridad. Todo ello sin interferir con el funcionamiento habitual de los equipos.

Visualización: entender el modelo es parte del mantenimiento

Uno de los errores habituales en proyectos de IA industrial es pensar que el trabajo termina cuando el modelo “funciona”.

En realidad, para que un sistema de mantenimiento predictivo sea útil, debe ser comprensible para quienes lo utilizan.

Por eso, además del análisis automático, desarrollamos un entorno de visualización interactivo que permite:

• Revisar el funcionamiento del modelo
• Detectar desviaciones de forma intuitiva
• Validar resultados con conocimiento experto
• Facilitar la futura integración con sistemas internos

No se trata solo de ver alertas, sino de entender por qué aparecen.

Lecciones clave para aplicar mantenimiento predictivo con éxito

Este proyecto deja aprendizajes relevantes para cualquier empresa industrial que esté valorando aplicar IA al mantenimiento:

1. La calidad del dato es crítica

Sin datos fiables, consistentes y contextualizados, no hay mantenimiento predictivo posible. La IA no corrige problemas de instrumentación o captura.

2. El contexto industrial manda

Los modelos deben entender el comportamiento real del equipo, no sólo correlaciones matemáticas. La colaboración con el conocimiento de la planta es imprescindible.

3. Seguridad y trazabilidad no son opcionales

Cuando hablamos de datos industriales, especialmente en sectores críticos, la seguridad debe estar integrada desde el diseño.

4. Visualizar no es lo mismo que reportar

Un buen entorno de visualización ayuda a tomar decisiones, no solo a mostrar gráficos.

5. El piloto es solo el primer paso

El verdadero valor llega cuando el sistema se integra progresivamente en los procesos de control, calidad y mantenimiento.

Del piloto a la integración industrial

Una vez validada la prueba piloto, el siguiente paso lógico es avanzar hacia:

• Integración con entornos internos de control y calidad
• Automatización de la recogida de información
• Exploración de modelos predictivos más avanzados
• Escalado progresivo a más equipos o líneas

Este enfoque evita proyectos sobredimensionados desde el inicio y permite demostrar valor antes de escalar.

‍

Innovación abierta aplicada a problemas reales

Un aspecto especialmente relevante de este proyecto es su origen en un entorno de innovación abierta, una forma de trabajar que en Datision utilizamos para conectar retos industriales reales con soluciones aplicables.

Tal y como destacó Carlos Varea, CEO de Datision, en la nota publicada por GENCAT tras el Advanced Factories Open Innovation Challenge, esta colaboración confirma que la innovación abierta es una herramienta práctica para transformar la industria cuando se aplica a problemas reales de planta.

Desde el lado industrial, Premium PSU ha reforzado su apuesta por la digitalización y la incorporación de tecnologías avanzadas como palanca de crecimiento y diferenciación.

Mantenimiento predictivo con IA: una decisión técnica y de negocio

Aplicar inteligencia artificial al mantenimiento no es una moda. Tampoco es una solución universal.

Es una decisión técnica y estratégica que debe responder a preguntas muy concretas:

• ¿Qué datos tengo realmente?
• ¿Qué criticidad tienen mis equipos?
• ¿Qué impacto tiene una parada no planificada?
• ¿Qué retorno puedo esperar?

En Datision partimos siempre de un principio claro:
si un proyecto de IA no es viable o no aporta valor real, es mejor decirlo desde el principio.

Porque en la industria, la innovación que no genera impacto no es innovación, es molestia.

¿Estás valorando aplicar mantenimiento predictivo con IA en tu planta?

Antes de iniciar un proyecto de mayor alcance, en Datision te ayudamos a obtener una visión clara en pocas semanas sobre el potencial real de la IA aplicada a tus equipos: qué datos pueden aprovecharse, qué beneficios operativos son razonables y, sobre todo, si tiene sentido —o no— avanzar hacia un proyecto de IA en tu contexto concreto.

Un punto de partida técnico y pragmático para reducir incertidumbre y alinear tecnología, mantenimiento y objetivos de negocio.

‍