La creciente factura asociada al mantenimiento y las paradas de las Unidades de Tratamiento de Aire AHU exige un enfoque proactivo. Este artículo presenta una versión revisada y traducida de una investigación que propone un método novedoso para predecir la degradación de la geometría de las aletas del intercambiador de calor, una de las principales causas de pérdida de eficiencia. La solución combina análisis espectral de la perturbación del flujo de aire con técnicas de aprendizaje automático para mantenimiento predictivo, con el objetivo de alargar la vida útil de las AHU, reducir el consumo energético y minimizar costes de reparación.

Problema planteado: Las AHU son responsables de la calidad y el confort interior y su rendimiento depende en gran medida del estado de las bobinas y, en particular, de la geometría de sus aletas. Con el tiempo las aletas acumulan polvo, suciedad y crecimiento microbiano que modifican su forma y reducen la transferencia térmica. El mantenimiento tradicional, reactivo y basado en intervalos temporales, resulta ineficiente y suele provocar paradas innecesarias y sustituciones prematuras. Ante este reto se propone un sistema capaz de predecir de forma anticipada la degradación de las aletas para realizar intervenciones específicas y reducir pérdidas.

Propuesta técnica: Spectral-ML para mantenimiento predictivo. La hipótesis central es que la geometría de la aleta altera los patrones de flujo alrededor de la bobina y que esos cambios generan firmas espectrales distinguibles. Una matriz de sensores de flujo, no intrusiva, colocada aguas arriba de la bobina captura las perturbaciones en el flujo. Un modelo de aprendizaje automático previamente entrenado procesa estas firmas espectrales para estimar un índice de degradación de aletas FDI y predecir la vida útil restante RUL, disparando alertas de mantenimiento cuando corresponde.

Metodología de detección y análisis espectral: Se propone una matriz 3x3 de anemómetros de hilo caliente con alta resolución espacial para capturar datos tridimensionales del flujo a una resolución espacial de 5 cm. La colocación óptima se determina por simulaciones CFD en ANSYS Fluent para localizar las zonas de máxima perturbación dependientes de la geometría de las aletas. Los sensores muestrean a 100 Hz y los datos temporales se transforman al dominio de la frecuencia mediante FFT aplicando ventana de Hanning para reducir fugas espectrales. Se extraen características clave como picos dominantes, centroide espectral, ancho de banda y roll-off espectral.

Modelo de aprendizaje automático: Se emplea una red neuronal recurrente con capas LSTM para modelar dependencias temporales en las series espectrales. La arquitectura propuesta contempla varias capas LSTM profundas que capturan correlaciones a largo plazo en las secuencias temporales. El entrenamiento se nutre de un dataset sintético generado por simulaciones CFD que reproducen distintos niveles de degradación parametrizados por el índice FDI entre 0 y 1. Para mejorar robustez se aplican técnicas de data augmentation como la adición de ruido gaussiano y time warping. El modelo predice el FDI y la RUL, calculada como RUL = (Vida maxima posible - Edad actual) / FDI con una vida maxima empírica de 7 años según estándares industriales.

Validación experimental: En laboratorio se instala la matriz 3x3 de HWA aguas arriba de una bobina comercial. La degradación de aletas se induce de forma controlada mediante exposición a polvo y simulación de crecimiento microbiano. Se realizan inspecciones microscópicas periódicas para medir la geometría real y generar etiquetas FDI. Las firmas espectrales se registran continuamente y el modelo LSTM entrenado con datos sintéticos se valida con los datos reales. Las métricas de evaluación incluyen RMSE para predicción de FDI y RUL, y Precision, Recall y F1 para clasificación por etapas de degradación.

Resultados y discusión: Los resultados preliminares muestran que el enfoque Spectral-ML puede predecir con precisión la degradación de la geometría de las aletas. En la validación real, el modelo LSTM alcanzó un RMSE de 0.15 para FDI, 0.6 meses para RUL y un F1 de 0.85 en clasificación de etapas. Estos valores indican la viabilidad de intervenciones de mantenimiento proactivas y programación optimizada de limpiezas que reducirían el consumo energético y los costes operativos.

Integración con la empresa y servicios asociados: En Q2BSTUDIO, empresa especializada en desarrollo de software y aplicaciones a medida, transformamos esta investigación en soluciones reales para clientes del sector facility management e industriales. Ofrecemos desarrollo de software a medida para integración de sensores y modelos ML, así como despliegue en servicios cloud para monitorización continua. Si busca soluciones de inteligencia artificial para empresas, nuestro equipo puede adaptar el modelo Spectral-ML a sus AHU y sus protocolos de mantenimiento, como detalle en nuestra oferta de inteligencia artificial. Además diseñamos aplicaciones y dashboards a medida para visualización de métricas, alarmas y RUL integradas en plataformas móviles y sistemas SCADA, experiencia que encontrará en nuestros servicios de desarrollo de aplicaciones y software a medida.

Ventajas clave: El sistema es no intrusivo, permite monitorización continua y reduce la dependencia de inspecciones físicas. La combinación de análisis espectral y LSTM ofrece mayor sensibilidad que mediciones estáticas como caída de presión. Implementado en conjunto con servicios cloud AWS o Azure y herramientas de inteligencia de negocio y power bi se consigue una visión integral del estado de la flota de AHU y un soporte de decisión automatizado para mantenimiento predictivo.

Limitaciones y trabajo futuro: Entre las limitaciones está la dependencia de datos representativos para entrenamiento y la posible brecha entre simulación CFD y condiciones reales. Futuras mejoras contemplan incorporar datos adicionales como temperatura y humedad, utilizar técnicas avanzadas de filtrado y aprendizaje auto supervisado, así como integración con agentes IA para acciones automáticas de limpieza y con servicios de ciberseguridad para proteger la telemetría y modelos. Q2BSTUDIO aporta experiencia en ciberseguridad y pentesting para garantizar que las soluciones conectadas sean robustas frente a amenazas, y en servicios de inteligencia de negocio y Power BI para convertir datos en decisiones operativas.

Conclusión: El enfoque de análisis espectral combinado con aprendizaje automático muestra un camino prometedor para optimizar el mantenimiento predictivo de las aletas de los intercambiadores en AHU. Implementado correctamente, permite reducir consumo energético, minimizar costes de mantenimiento y prolongar la vida útil del equipo. En Q2BSTUDIO ofrecemos la experiencia necesaria en software a medida, inteligencia artificial, servicios cloud AWS y Azure, ciberseguridad, automatización y business intelligence para llevar esta tecnología desde el laboratorio hasta la operación real, ayudando a transformar el mantenimiento reactivo en mantenimiento predictivo inteligente.

Palabras clave: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.