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

Por El Analista de Flotas · Mantenimiento predictivo

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.

No te voy a vender que la IA lo adivina todo, porque no es así. Lo que sí puedo contarte, desde mi experiencia en el sector, es cómo funciona de verdad el mantenimiento predictivo con IA en motores diésel: qué datos importan, qué fallos se pueden anticipar y con cuánta antelación, y qué necesitas para empezar a aplicarlo en una flota.

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 tenga montada su red de talleres y sus convenios. También influye qué esté transportando: si la carga es perecedera (alimentos, productos refrigerados y similares), una parada larga puede echar a perder toda la mercancía, y ese coste se suma al de la avería. Pero, más allá del número concreto, lo que sí está claro es la lista de costes que te ahorras cuando una avería se anticipa en vez 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 toca esperar a que llegue la pieza. Cuando la entrada al taller se programa a partir de una alerta de la IA, lo normal es que el repuesto ya esté pre-pedido y listo para instalar, así que la reparación va mucho más rápida.
• La mercancía en riesgo. Según lo que lleve 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, 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 su propio pie a su taller de referencia, y te ahorras 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.
• Gases de escape. Cambios en la composición indican problemas de combustión o en el sistema de inyección.
• 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 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, porque el dato ya existe y no hay que instalar nada, pero también marca un límite: solo puedes 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:

1. 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 (temperaturas, presiones, consumos, lecturas de emisiones...). El camión moderno es, de fábrica, una fuente enorme de datos.
2. Limpieza y preparación. Esos datos llegan con ruido: lecturas erróneas, huecos, retrasos en el envío. Antes de nada hay que limpiarlos y ordenarlos, porque un modelo entrenado con datos sucios da predicciones poco fiables. Esta fase es, de lejos, la que más tiempo consume.
3. 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 en las semanas previas a romperse.
4. Buscar los patrones. Aquí se cruzan las señales: ¿qué combinación de códigos y parámetros suele aparecer antes de un fallo concreto? A veces ese patrón lo encuentra un modelo de Machine Learning; otras veces es tan claro que basta una regla experta (por ejemplo: "si un código de avería se repite tres veces en pocos días, lanza el aviso"). No siempre hace falta inteligencia artificial: hace falta la solución más fiable, y a veces es la más simple.
5. Validar antes de confiar. Un modelo no se da por bueno porque sí. Se mide cuántas veces acierta, cuántas da falsas alarmas y, sobre todo, cuántos fallos reales se le escapan. Ese equilibrio es delicado, y para mí es la parte más difícil de todo el proceso: si avisa demasiado, nadie le hará caso; si avisa poco, no sirve para nada.
6. Alerta y mejora continua. Cuando el sistema detecta el patrón, avisa al gestor de flota con antelación. Y cada aviso confirmado (o cada falsa alarma) sirve para afinar el sistema con el tiempo.

💡 Una idea clave: "predictivo" no significa siempre "inteligencia artificial". Lo importante no es la técnica, sino anticipar el fallo de forma fiable. Unas veces eso requiere un modelo complejo y otras 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. Si las lecturas llegan tarde, incompletas o con ruido, hasta el mejor modelo falla. Por eso 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, esto es lo que permite la tecnología hoy:

Una matización importante desde la experiencia: no existe un tiempo exacto que el modelo pueda garantizar. La antelación depende de muchas variables del propio camión (su estado, su uso, las condiciones de ruta, la calidad de los datos que reporta) que pueden adelantar o retrasar la señal. Por eso las cifras de la tabla son orientativas, no una promesa. Lo ideal es que la alerta se genere lo antes posible y que, a partir de ahí, tanto el cliente como el taller actúen cuanto antes para corregir el problema y evitar que el camión quede inmovilizado (es decir, parado por un fallo mecánico o eléctrico y sin poder seguir transportando, ya sea en plena ruta, en el taller o donde sea).

Un apunte importante: gran parte de estos fallos no son mecánicos "clásicos", sino del sistema de emisiones (sensores NOx, DPF, bomba de urea, EGR). En los camiones modernos (Euro 6) son precisamente estos componentes los que más averías y paradas generan, y donde la predicción con datos marca una diferencia enorme: permiten programar la intervención antes de que el vehículo entre en modo de potencia reducida o se detenga.

En nuestro día a día vemos casos reales de camiones que se libran de quedar inmovilizados gracias a estas alertas: el modelo avisa de que un fallo va a llegar y la flota actúa a tiempo, convirtiendo lo que habría sido una parada no planificada en una intervención programada en taller.

Qué NO puede predecir la IA (todavía)

Conviene ser honesto, porque ningún sistema serio acierta el 100 % de las veces. Estas son las limitaciones reales con las que trabaja cualquier equipo de mantenimiento predictivo:

• Los datos no siempre son perfectos. Los códigos de avería (DTCs) pueden llegar con retraso o registrarse de forma incompleta. Si el dato llega tarde, la alerta también.
• No hay sensores en todo. Ningún camión mide absolutamente todo lo que nos gustaría. Se trabaja con lo que el vehículo reporta (DTCs y parámetros), no con un mundo ideal de sensores en cada pieza.
• Un código de avería no siempre significa que algo vaya a fallar. Los DTCs no son una bola de cristal: a veces aparecen sin que haya un problema real, y otras un fallo llega con apenas avisos previos. Interpretarlos bien es parte del oficio.
• No todas las inmovilizaciones se pueden predecir. El objetivo es reducir al máximo los camiones parados por avería, pero algunos seguirán ocurriendo: fallos súbitos, causas externas o componentes sin señales claras antes de romperse.

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 y convertir muchas paradas imprevistas en intervenciones planificadas.

El retorno de inversión: por qué compensa

El mantenimiento predictivo no se vende por tecnología, se vende por dinero ahorrado. Los beneficios concretos en una flota suelen ser:

• Menos averías en carretera, que son las más caras (grúa, ruta perdida, penalizaciones por retraso).
• Menos paradas no planificadas: las intervenciones se agrupan y se programan en taller cuando conviene.
• Componentes que duran más, al cambiarlos en su momento óptimo y no antes.
• Menos inventario de recambios inmovilizado, porque sabes qué vas a necesitar y cuándo.
• Más seguridad, al reducir el riesgo de fallos críticos en marcha.

Estudios del sector sitúan la reducción de costes de mantenimiento entre un 10 % y un 30 %, y la de paradas no planificadas hasta en un 50 %. La cifra real depende del tamaño 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

No hace falta digitalizar 200 camiones de golpe. Un arranque realista sería:

1. Elige un piloto pequeño: 3-5 vehículos representativos.
2. Asegura la captura de datos: muchos camiones modernos ya envían telemática; en los más antiguos puede que necesites sensores IoT adicionales.
3. Centraliza los datos en una plataforma (hay software de gestión de flotas con módulos predictivos ya integrados).
4. Empieza por dos o tres componentes críticos (inyectores, turbo, refrigeración) en vez de querer predecirlo todo.
5. Mide resultados durante unos meses y, con datos en la mano, decide si lo escalas a toda la flota.

Conclusión

Si algo tengo claro después de estos años es que la IA no sustituye al buen mecánico ni al gestor de flota con experiencia. Lo que hace es convertir miles de datos invisibles en avisos con los que sí puedes actuar, y así pasas de "apagar fuegos" a planificar con cabeza. En un sector con márgenes tan ajustados como el transporte, anticipar un fallo de motor unos días antes puede ser la diferencia entre una parada en ruta y una cita de taller.

Si gestionas una flota y todavía mantienes los motores por calendario, mi consejo es sencillo: empieza por un piloto predictivo pequeño. Los datos ya los está generando tu camión; el paso que falta es ponerse a mirarlos.

¿Te ha resultado útil? En los próximos artículos entramos en los códigos de avería (DTCs): qué son, cómo se interpretan y por qué no siempre avisan de una avería. También veremos cómo llegan los datos del camión, es decir, de qué forma está conectado el vehículo y cómo envía su información para poder predecir fallos. Suscríbete para no perdértelos.

Imágenes: fotografías de Unsplash. Diagramas e ilustraciones propios de Camionia.