Mantenimiento predictivo en motores diésel: cómo la IA predice fallos antes de que ocurran

Un motor diésel de camión rara vez falla «de repente». Y lo digo después de unos cuantos años viendo datos de flotas: antes de que la avería detenga el vehículo en mitad de una ruta, el motor lleva días —a veces semanas— enviando señales. Una vibración ligeramente distinta, una temperatura que sube medio grado de más, una presión de aceite que oscila donde antes era estable. El problema es que el ojo humano y las revisiones por calendario no captan esas señales a tiempo. La inteligencia artificial sí, y en eso consiste justamente el mantenimiento predictivo en motores diésel: anticipar el fallo leyendo esas señales.

En este artículo te explico, desde mi experiencia en el sector, cómo funciona realmente el mantenimiento predictivo con IA en motores diésel, qué datos importan, qué tipo de fallos se pueden anticipar y con cuánta antelación, y qué necesitas para empezar a aplicarlo en una flota. Sin humo y sin venderte que la IA lo adivina todo, porque no es así.

Qué es el mantenimiento predictivo (y en qué se diferencia del de siempre)

Conviene tener claras las tres formas de mantener un vehículo, porque la diferencia se mide directamente en euros:

Mantenimiento reactivo: reparas cuando algo se rompe. Barato sobre el papel, carísimo en la práctica (vehículo parado, grúa, ruta perdida, daños colaterales).
Mantenimiento preventivo: intervienes por calendario o kilometraje (cada X km cambias tal pieza). Mejor, pero cambias piezas que todavía estaban bien y, aun así, se te escapan fallos que no siguen el calendario.
Mantenimiento predictivo: intervienes cuando los datos indican que la pieza va a fallar pronto, ni antes ni después. Es el punto óptimo entre coste y fiabilidad.

La IA es lo que hace viable el tercer modelo a escala de flota. Sin ella tendrías que tener a un técnico mirando datos de cada camión todo el día; con ella, el sistema vigila miles de variables por segundo y solo te avisa cuando hay algo que mirar.

Cuánto cuesta de verdad un camión parado

Poner una cifra exacta al día de un camión parado es difícil, porque depende de cada marca y de cómo esté montada su red de talleres y sus convenios. También influye qué esté transportando el camión: si la carga es perecedera —alimentos, productos refrigerados y similares—, una parada prolongada puede echar a perder toda la mercancía, y ese coste se suma al de la propia avería. Pero, más allá del número concreto, lo que sí está claro es la lista de costes que se evitan cuando una avería se anticipa en lugar de sufrirse por sorpresa:

La grúa. Un fallo en ruta casi siempre implica remolcar el vehículo, y ese arrastre no es barato.
La visita imprevista al taller. Entrar sin cita descoloca la planificación y suele salir más caro que una intervención programada.
El tiempo de espera por el repuesto. Si el camión llega averiado sin avisar, muchas veces hay que esperar a que llegue la pieza. En cambio, cuando la entrada al taller se programa a partir de una alerta de la IA, en la mayoría de los casos el repuesto ya está prepedido y listo para instalar, así que la reparación es mucho más rápida.
La mercancía en riesgo. Según lo que transporte el camión, una parada puede significar perder la carga: si son alimentos u otros productos perecederos, el retraso puede arruinarlos por completo.

A esto se suma un coste que se pasa por alto: el de la red de talleres por contrato. En muchos casos el camión está vinculado a un home dealer (su taller de referencia) mediante contrato. Si la avería ocurre en otro país y hay que remolcar el vehículo a un taller distinto del home dealer, aparecen costes adicionales para ese home dealer, que es quien tiene que responder por la reparación. Anticipar el fallo permite que el camión llegue por sus propios medios a su taller de referencia y se evita todo ese sobrecoste.

Las señales que un motor diésel emite antes de fallar

La predicción no es magia: se basa en detectar desviaciones sobre el comportamiento normal. Estos son los datos que un sistema predictivo vigila en un motor diésel:

Temperatura del refrigerante y del aceite. Una tendencia ascendente sostenida delata problemas de refrigeración o de combustión antes de que salte ninguna alarma del cuadro.
Presión del aceite. Caídas o fluctuaciones anómalas anticipan desgaste en cojinetes y bomba.
Vibraciones. Cada componente rotativo (inyectores, turbo, cigüeñal) tiene una «firma» de vibración. Cuando esa firma cambia, algo se está degradando.
Análisis de gases de escape. Cambios en la composición indican problemas de combustión o en el sistema de inyección.
Datos del sistema de inyección. Variaciones en los tiempos y presiones de inyección apuntan a inyectores sucios o a punto de fallar.
Códigos de la centralita (OBD/telemática). No solo los fallos activos, también los códigos pendientes y la frecuencia con que aparecen.
Consumo de combustible. Un aumento gradual e injustificado suele ser síntoma temprano de ineficiencia mecánica.

Ninguno de estos datos, por sí solo, predice gran cosa. Esto es lo que más me costó interiorizar al principio: la potencia no está en ningún dato suelto, sino en cruzarlos todos a la vez y compararlos con cómo se comportaba ese mismo motor cuando estaba sano.

En la práctica, buena parte de estas señales no llega de sensores que se instalan aparte, sino de la electrónica que el camión ya lleva de serie: los códigos de avería (DTCs) que genera la centralita y los parámetros que el vehículo registra de forma continua. Eso es una ventaja —el dato ya existe, no hay que instalar nada— pero también marca un límite: solo se puede predecir a partir de lo que el vehículo es capaz de medir y reportar.

Cómo se construye una predicción de fallos, paso a paso

Para que no quede en abstracto, así se llega desde los datos en bruto hasta una alerta útil:

De dónde salen los datos. La mayor parte no viene de sensores extra, sino del propio vehículo conectado: los códigos de avería (DTCs) y los parámetros que el camión ya mide. El camión moderno es, de fábrica, una fuente enorme de datos.
Limpieza y preparación. Esos datos llegan con ruido: lecturas erróneas, huecos, retrasos. Antes de nada hay que limpiarlos y ordenarlos, porque un modelo con datos sucios da predicciones poco fiables. Esta fase es la que más tiempo consume.
Etiquetar los fallos. Se revisa el histórico de vehículos que sí fallaron y se marca qué pasó antes de cada avería y en qué ventana de tiempo. Así el sistema aprende a reconocer cómo se ve un componente antes de romperse.
Buscar los patrones. Se cruzan las señales: ¿qué combinación aparece antes de un fallo? A veces lo encuentra un modelo de Machine Learning; otras basta una regla experta. No siempre hace falta IA: hace falta la solución más fiable, y a veces es la más simple.
Validar antes de confiar. Se mide cuántas veces acierta, cuántas da falsas alarmas y cuántos fallos se le escapan. Para mí es la parte más difícil: si avisa demasiado, nadie le hace caso; si avisa poco, no sirve.
Alerta y mejora continua. Cuando detecta el patrón, avisa al gestor con antelación. Cada aviso confirmado afina el sistema.

💡 «Predictivo» no significa siempre «inteligencia artificial». Lo importante no es la técnica, sino anticipar el fallo de forma fiable. A veces basta una regla bien pensada a partir de los códigos de avería.

⚠️ La calidad del dato manda. Un sistema predictivo es tan bueno como los datos que recibe. Buena parte del trabajo no está en el algoritmo, sino en conseguir datos limpios y fiables.

Qué fallos se pueden predecir y con cuánta antelación

No todos los fallos se anticipan igual de bien. A modo orientativo:

Componente / fallo	Señal principal usada	Antelación típica de detección
Inyectores	Presión de inyección, gases de escape	1.000–3.000 km (~2–6 semanas)
Turbocompresor	Vibración, presión de admisión	Días a 2 semanas
Sensores NOx	Lecturas de NOx y su desviación	Días a semanas
Filtro de partículas (DPF)	Contrapresión de escape, regeneraciones	Días a semanas
Bomba de urea (AdBlue/DEF)	Presión de dosificación, consumo de AdBlue	Días a semanas
Sistema EGR	Contrapresión de escape	Días a semanas
Bomba de agua / refrigeración	Temperatura, tendencia térmica	1–3 semanas
Cojinetes / desgaste interno	Vibración, presión de aceite	Semanas
Batería / arranque	Voltaje, ciclos de arranque	Días

Una matización desde la experiencia: no existe un tiempo exacto garantizado. La antelación depende del estado, el uso, la ruta y la calidad de los datos del camión. Por eso las cifras son orientativas, no una promesa. Lo ideal es que la alerta se genere lo antes posible y que cliente y taller actúen rápido para evitar que el camión quede inmovilizado.

Gran parte de estos fallos no son mecánicos clásicos, sino del sistema de emisiones (NOx, DPF, urea, EGR). En camiones Euro 6 son los que más averías generan, y donde la predicción marca la mayor diferencia.

Qué NO puede predecir la IA (todavía)

Ningún sistema serio acierta el 100 %. Las limitaciones reales:

Los datos no siempre son perfectos. Los DTCs pueden llegar con retraso o incompletos. Si el dato llega tarde, la alerta también.
No hay sensores en todo. Se trabaja con lo que el vehículo reporta, no con un mundo ideal.
Un código no siempre significa avería. A veces aparecen sin problema real; otras el fallo llega sin avisos. Interpretarlos es parte del oficio.
No todo se puede predecir. Fallos súbitos, causas externas o componentes sin señales claras seguirán ocurriendo.

Reconocer estos límites es lo que separa un sistema serio de una promesa de marketing. La meta no es la perfección, sino evitar el mayor número posible de averías.

El retorno de inversión: por qué compensa

Menos averías en carretera, las más caras.
Menos paradas no planificadas: se agrupan y programan.
Vida útil más larga de los componentes.
Menos inventario de recambios inmovilizado.
Mayor seguridad al reducir fallos críticos en marcha.

Estudios del sector sitúan la reducción de costes entre un 10 % y un 30 %, y las paradas no planificadas hasta un 50 %. Depende de la flota y de la calidad de los datos, pero la dirección es siempre la misma: se ahorra.

Qué necesitas para empezar en tu flota

Elige un piloto pequeño: 3–5 vehículos.
Asegura la captura de datos: telemática de serie o sensores IoT en los antiguos.
Centraliza los datos en una plataforma.
Empieza por 2–3 componentes críticos (inyectores, turbo, refrigeración).
Mide resultados en unos meses y decide si escalas.

Conclusión

La IA no sustituye al buen mecánico ni al gestor con experiencia: les da superpoderes. Convierte datos invisibles en avisos accionables y permite pasar de «apagar fuegos» a planificar. En un sector de márgenes ajustados, anticipar un fallo no es un lujo: es ventaja competitiva.

Si todavía mantienes los motores por calendario, mi consejo es sencillo: empieza por un pequeño piloto. Los datos ya los genera tu camión; solo falta escucharlos.