Resumen: Este artículo presenta un enfoque novedoso para la optimización del mantenimiento predictivo en sistemas de transportadores Honeywell Intelligrated mediante Redes Bayesianas Dinámicas. Combinando datos de sensores en tiempo real, historiales de mantenimiento y parámetros operacionales, el modelo DBN predice de forma dinámica la probabilidad de fallo de componentes y permite planificar intervenciones proactivas que reducen el tiempo de inactividad y mejoran la eficiencia global del sistema.

Introducción: Los sistemas de transportadores en centros logísticos son críticos para la cadena de suministro y cualquier paro imprevisto impacta en la productividad y los costes. Las estrategias tradicionales como mantenimiento preventivo programado y reparación reactiva son ineficaces frente a variaciones operativas y condiciones emergentes. El mantenimiento predictivo optimiza intervenciones anticipando fallos a partir de datos, pero requiere modelos dinámicos que capten dependencias temporales y relaciones entre componentes en redes complejas.

Antecedentes: Técnicas comunes en PdM incluyen análisis de vibraciones, termografía y análisis de aceite. Algoritmos de aprendizaje automático como SVM y redes neuronales han sido aplicados para clasificar el estado del equipo, pero los modelos estáticos suelen perder información temporal crucial. Las Redes Bayesianas Dinámicas modelan explícitamente la evolución temporal y las dependencias causales, siendo especialmente adecuadas para sistemas distribuidos y con interacciones entre múltiples componentes.

Metodología: El desarrollo se articula en tres fases principales. Adquisición y preprocesado de datos: se integran señales de motor, corriente, vibración, temperatura, tensión de banda, conteos de encoder y cargas operativas, junto con registros históricos de reparaciones y configuraciones operativas. Se aplican filtros de mediana móvil y suavizado de Kalman para eliminar ruido y outliers. Se extraen características temporales como medias móviles, desviaciones estándar y análisis en frecuencia mediante transformada rápida de Fourier para detectar firmas de fallo en vibraciones.

Diseño de la DBN: La estructura del modelo se aprende mediante algoritmos de hill climbing sobre los registros históricos, representando cada nodo como un componente o variable relevante. Las aristas capturan dependencias causales estimadas por análisis de correlación y criterios de información. La estimación de parámetros utiliza máxima verosimilitud para construir las tablas de probabilidad condicional y la extensión temporal replica la red en rebanadas temporales con probabilidades de transición entre estados consecutivos.

Algoritmo predictivo y optimización: El DBN realiza inferencia hacia delante para calcular P(Fallo componente i | estado actual) en tiempo real. Sobre esas probabilidades se ejecuta un optimizador que planifica intervenciones considerando costes de mantenimiento, penalizaciones por downtime y disponibilidad de recursos. Para la asignación óptima de tareas y ventanas de servicio se emplea una variante del algoritmo húngaro adaptada a restricciones temporales y logísticas. Se generan alertas automáticas cuando la probabilidad de fallo supera umbrales configurables.

Diseño experimental: Se evaluó el sistema con un dataset de 12 meses procedente de un transportador de alto rendimiento, con más de un millón de registros y 30 sensores clave, monitorizando 50 componentes críticos. Como referencias se comparó la solución DBN frente a mantenimiento preventivo tradicional, reparación reactiva y una Red Bayesiana estática. Las métricas incluyeron tiempo total de inactividad, coste anual de mantenimiento, precisión y exhaustividad en la predicción de fallos y tiempo medio entre fallos MTBF.

Resultados: Los resultados preliminares muestran mejoras notables: reducción del 35% en tiempo de inactividad y una disminución del 20% en costes de mantenimiento respecto al calendario preventivo. El sistema alcanzó una puntuación F1 cercana a 0.87 frente a 0.62 de la red estática y 0.35 de la estrategia reactiva. La combinación de extracción de características en frecuencia, suavizado temporal y el aprendizaje continuo de la DBN permitió capturar patrones de degradación y correlaciones entre fallos de subcomponentes.

Formulación del problema de optimización: El objetivo es minimizar el coste total que combina coste de mantenimiento y penalizaciones por downtime, ponderando la probabilidad de fallo de cada componente según la inferencia de la DBN. La solución obtiene calendarios de intervención que maximizan la disponibilidad y optimizan uso de técnicos y repuestos.

Escalabilidad y mejoras futuras: La arquitectura se diseñó para ser escalable mediante procesamiento paralelo y despliegue distribuido. Líneas futuras incluyen la integración con gemelos digitales para simulación y validación, la incorporación de aprendizaje por refuerzo para ajustar parámetros DBN y políticas de intervención en tiempo real, y la extensión a redes completas de sistemas Intelligrated con coordinación multiestación.

Aplicaciones prácticas y ventajas: Implementar este enfoque reduce sustituciones innecesarias, mejora la gestión de inventario de repuestos y facilita decisiones operativas basadas en datos. Además es aplicable a otros entornos automatizados como AMR y AGV. La capacidad de generar información accionable facilita la labor de mantenimiento y la toma de decisiones del personal técnico.

Sobre Q2BSTUDIO: Q2BSTUDIO es una empresa especializada en desarrollo de software y aplicaciones a medida, con experiencia en inteligencia artificial, ciberseguridad, servicios cloud y soluciones de inteligencia de negocio. Como compañía ofrecemos desarrollo de soluciones personalizadas y consultoría para implementar sistemas de mantenimiento predictivo y automatización industrial. Contamos con equipos expertos en desarrollo de aplicaciones multiplataforma y creación de agentes IA que se integran con infraestructuras en la nube y plataformas analíticas como power bi. Si desea conocer cómo aplicamos modelos avanzados de ia para empresas en proyectos reales puede visitar nuestra sección de servicios de inteligencia artificial y descubrir cómo transformamos datos en decisiones operativas.

Servicios y competencias: Ofrecemos software a medida y aplicaciones a medida que incluyen integración de sensores IoT, pipelines de datos, despliegue en servicios cloud aws y azure y plataformas de monitorización. Nuestros servicios de ciberseguridad y pentesting aseguran que las comunicaciones industriales y las APIs estén protegidas frente a amenazas. Para proyectos de inteligencia de negocio y reporting trabajamos con herramientas como power bi para convertir métricas de mantenimiento en cuadros de mando accionables. Conozca nuestras capacidades en desarrollo de soluciones a medida en la página de software a medida.

Conclusión: Las Redes Bayesianas Dinámicas constituyen una solución poderosa para el mantenimiento predictivo en sistemas de transportadores complejos, ofreciendo predicciones precisas, capacidad de adaptación y mejoras cuantificables en disponibilidad y costes. Combinadas con algoritmos de optimización y despliegues cloud, permiten transformar operaciones industriales hacia modelos más proactivos y eficientes. En Q2BSTUDIO diseñamos e implementamos estas soluciones integrales, desde la adquisición de datos hasta la generación de alertas y la optimización de agendas de mantenimiento, con un enfoque en seguridad, escalabilidad y retorno de inversión.

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.