Mantenimiento predictivo en robots: qué medir, cómo empezar y cómo calcular si compensa

- El mantenimiento predictivo en robots vigila señales que el controlador ya registra, como par, corriente, temperatura y errores de posición, para intervenir antes de la avería y en una parada planificada.
- Hay cada vez más robots que vigilar: la IFR contó 542.000 robots industriales instalados en el mundo en 2024 y 5.100 en España.
- Un estudio del NIST publicado en el IJPHM encontró un 18,5 % menos de paradas no planificadas y un 87,3 % menos de defectos en las plantas que se apoyan más en el predictivo que en el preventivo.
- La IA ya está en la empresa: según el INE, el 21,1 % de las empresas españolas de 10 o más empleados la usaba en el primer trimestre de 2025.
- Compensa cuando el coste de la parada no planificada es alto y repetido; el ejemplo con supuestos del artículo enseña a calcularlo.
Un robot avisa antes de romperse. El par de un eje que sube poco a poco, una reductora que se calienta más que hace un mes o un error de posición que crece en un mismo punto del ciclo son señales que el controlador ya registra. Casi nadie las mira hasta que la célula se para.
El mantenimiento predictivo consiste en vigilar esas señales, detectar la desviación a tiempo y convertirla en una intervención planificada. No sustituye al preventivo: lo afina, porque cambia piezas cuando hace falta y no cuando lo dice el calendario.
En este artículo explicamos qué medir en robots y automatismos, cómo pasar del dato al aviso útil, cómo calcular si compensa, qué errores se repiten y qué preguntar al proveedor antes de decidir.
Por qué el mantenimiento predictivo en robots importa ahora
El parque de robots crece y envejece a la vez. La Federación Internacional de Robótica contabilizó 542.000 robots industriales instalados en el mundo en 2024, más del doble que diez años antes, y un parque en funcionamiento de 4.664.000 unidades, un 9 % más que el año anterior. En España se instalaron 5.100 unidades, tercer mercado europeo. Cada robot que se suma a una línea es un punto más que puede pararla.
El coste de no vigilar es alto. El informe NIST AMS 100-18 recoge que la industria de Estados Unidos gastó 50.000 millones de dólares en mantenimiento y reparación en 2016, y que las reducciones del coste de mantenimiento citadas por empresas al adoptar técnicas avanzadas van del 15 % al 98 %. Un rango tan amplio dice algo útil: el resultado depende mucho del punto de partida y de cómo se implante.
Las herramientas ya están en la empresa. Según Eurostat, el 20,0 % de las empresas de la UE con 10 o más empleados usaba inteligencia artificial en 2025, frente al 13,5 % de 2024. En España, el INE sitúa ese uso en el 21,1 % en el primer trimestre de 2025, y el 41,4 % de las empresas hace analítica de datos con sus propios empleados. Falta, en muchos casos, aplicarlo a la planta.
Correctivo, preventivo y predictivo: cuándo conviene cada uno
No todo merece predictivo. La decisión se toma componente a componente, según lo que cuesta su fallo y si da señales antes de fallar.
| Criterio | Correctivo | Preventivo | Predictivo |
|---|---|---|---|
| Cuándo se interviene | Tras la avería | Por calendario o ciclos | Cuando la señal se desvía |
| Parada | No planificada | Planificada, a veces innecesaria | Planificada y justificada |
| Datos necesarios | Ninguno | Horas o ciclos | Señales continuas y su histórico |
| Inversión inicial | Nula | Baja | Media: conectividad, almacenamiento, análisis |
| Encaja en | Elementos baratos, redundantes o sin señal previa | Desgaste regular y conocido | Componentes críticos con degradación medible |
| Riesgo principal | Paradas largas y caras | Cambiar piezas sanas | Falsos avisos que nadie atiende |
Un estudio de investigadores del NIST publicado en el International Journal of Prognostics and Health Management, estimó en 222.000 millones de dólares anuales los costes y pérdidas ligados al mantenimiento en la industria de Estados Unidos. Las plantas que dependían menos del correctivo tenían un 52,7 % menos de paradas no planificadas y un 78,5 % menos de defectos, y las que se apoyaban más en el predictivo que en el preventivo, un 18,5 % menos de paradas y un 87,3 % menos de defectos. Es una correlación de encuesta, no una promesa, pero apunta en la misma dirección que la experiencia de planta.
Qué señales medir en un robot y en un automatismo
La buena noticia es que buena parte de los datos ya existe. El controlador del robot registra par o corriente por eje, temperatura de motores, errores de seguimiento y contadores de ciclos. Lo que falta suele ser extraerlos, guardarlos con contexto y compararlos con su histórico.
| Componente | Señal | Qué anticipa | Origen del dato |
|---|---|---|---|
| Reductora de eje | Par o corriente en un tramo fijo del ciclo, temperatura | Desgaste, falta de lubricación, holgura | Controlador del robot |
| Motor y freno | Corriente, tiempo de frenado, temperatura | Fallo de freno, rodamiento del motor | Controlador, prueba de frenos |
| Cableado y conectores | Errores de comunicación, alarmas intermitentes | Rotura por fatiga del paquete de cables | Registro de alarmas |
| Herramienta (pinza, ventosa) | Tiempo de agarre, vacío alcanzado | Fugas, desgaste de ventosas o dedos | E/S del PLC |
| Transportadores y rodamientos | Vibración, temperatura, corriente del motor | Rodamientos, desalineación, banda | Sensores añadidos, variador |
| Robots móviles | Estado de batería, ciclos de carga, errores de navegación | Degradación de batería, sensores sucios | Gestor de flota |
Un detalle importante: el par de un eje solo es comparable si se mide en el mismo movimiento, con la misma carga y a la misma temperatura. Por eso conviene definir un ciclo de referencia o un tramo fijo del programa donde se toma la medida cada vez.
Las vibraciones casi siempre exigen sensores añadidos. Antes de comprarlos, conviene empezar por lo que ya da el controlador y añadir sensores solo donde el dato existente no basta. La forma de llevar esos datos de planta a un sistema útil se trata en IoT industrial: cómo convertir los datos de planta en decisiones.
Del dato al aviso: arquitectura y método
Un sistema predictivo tiene cinco capas, y fallar en cualquiera de ellas lo inutiliza:
- Adquisición: lectura de señales del controlador, del PLC o de sensores, con marca de tiempo y contexto (programa, referencia, carga).
- Transporte: una interfaz abierta y documentada, como OPC UA, evita depender de un único proveedor. Se explica en OPC UA: el idioma común de las máquinas y cómo exigirlo en tu instalación.
- Almacenamiento: un histórico de meses, en local o en la nube según la política de la empresa.
- Detección: primero umbrales y tendencias; después, modelos que aprenden el comportamiento normal de cada máquina y señalan desviaciones.
- Acción: cada aviso tiene un responsable, un plazo y una orden de trabajo asociada en el sistema de mantenimiento.
Para ordenar el programa hay normas de referencia. ISO 17359:2018 da las pautas generales para montar un programa de monitorización de estado aplicable a todas las máquinas, y la serie ISO 13374 trata el procesado, la comunicación y la presentación de esos datos. Si los datos salen de la red de planta, la conexión debe diseñarse con los criterios de IEC 62443, como se detalla en Ciberseguridad industrial: proteger la planta conectada con IEC 62443.
La clave de método es empezar por umbrales sencillos y bien elegidos. Un modelo complejo sobre datos sin contexto genera falsos avisos, y un aviso falso repetido enseña al equipo a ignorar el siguiente.
Seguridad: menos intervenciones de urgencia
El mantenimiento es una actividad de riesgo. Según la OSHwiki de EU-OSHA, en 2006 entre el 10 % y el 15 % de los accidentes mortales en varios países europeos estaban relacionados con operaciones de mantenimiento, y en España entre el 14 % y el 17 % de los accidentes de 2003 a 2006 estaba ligado a estas tareas.
El predictivo no cambia las reglas de seguridad, pero sí el contexto. Una intervención planificada se hace con la célula consignada, el repuesto en la mano y el procedimiento revisado. Una avería a mitad de turno empuja a improvisar con prisa. Los requisitos de seguridad del robot y de la célula, incluidos los modos de mantenimiento, siguen siendo los de ISO 10218-1 e ISO 10218-2:2025.
¿Cuánto te cuestan al año las paradas no planificadas de tus robots?
Con tu histórico de averías y el coste real de tu hora de línea calculamos qué máquinas merecen mantenimiento predictivo y en cuánto tiempo se recupera, antes de comprar un solo sensor.
Pide un estudio de robotizaciónEjemplo con supuestos: cuánto vale evitar una parada
Ejemplo con supuestos. Todas las cifras son hipotéticas y sirven solo para enseñar el cálculo; no son datos de una instalación ni precios de mercado.
Supuestos:
- Una línea con 6 robots sufre N = 10 paradas no planificadas al año atribuibles a robots.
- Duración media de cada parada, incluido diagnóstico y espera de repuesto: D = 5 h.
- Coste de una hora de línea parada, con producción perdida, horas extra para recuperar y personal sin tarea: C = 1.200 €/h.
- El sistema predictivo detecta a tiempo una fracción p = 40 % de esas averías.
- Cada avería detectada se resuelve en una parada planificada de 2 h fuera de producción, con un coste de intervención Ci = 600 €.
- Coste del sistema: inversión I = 30.000 € y coste anual de licencias, almacenamiento y análisis R = 6.000 €.
Paso 1. Coste actual de las paradas = N × D × C = 10 × 5 × 1.200 = 60.000 € al año.
Paso 2. Paradas evitadas = N × p = 10 × 0,40 = 4 al año.
Paso 3. Ahorro bruto = paradas evitadas × (D × C − Ci) = 4 × (6.000 − 600) = 21.600 € al año.
Paso 4. Ahorro neto = ahorro bruto − R = 21.600 − 6.000 = 15.600 € al año.
Paso 5. Plazo de retorno = I ÷ ahorro neto = 30.000 ÷ 15.600 ≈ 1,9 años.
Prueba de estrés. Si el sistema solo detecta a tiempo el 20 % de las averías, el ahorro bruto baja a 2 × 5.400 = 10.800 €, el neto a 4.800 € y el retorno sube a 6,25 años. Y si la línea tiene holgura para recuperar la producción sin horas extra, C cae y el caso puede desaparecer. Por eso el valor de p y el de C deben salir de tu histórico de averías y de tu cuenta de explotación, no de una presentación comercial.
Si quieres hacer este cálculo con tus paradas reales, pide tu estudio gratuito y lo revisamos contigo.
Errores habituales al implantar el predictivo
- Conectar todas las máquinas a la vez en lugar de empezar por las críticas.
- Guardar datos sin contexto: un par sin saber qué programa ni qué carga llevaba el robot no sirve para comparar.
- No tener histórico de averías bien registrado, con lo que no hay con qué validar los avisos.
- Avisos sin dueño: llegan a un correo genérico y nadie los convierte en orden de trabajo.
- Umbrales copiados de otra instalación en lugar de aprendidos de la propia máquina.
- Comprar sensores antes de explotar los datos que el controlador ya ofrece.
- Depender de un formato cerrado que impide llevar los datos a otro sistema. La supervisión general de la instalación se trata en SCADA logística: qué supervisar, cómo gestionar alarmas e integrarlo con WCS y WMS.
Checklist: qué medir y qué preguntar al proveedor antes de decidir
Antes de pedir oferta, reúne:
- Histórico de averías de los últimos años por máquina y componente, con duración y causa.
- Coste real de una hora de parada en cada línea, acordado con producción y control de gestión.
- Lista de máquinas críticas: las que paran la línea entera o no tienen alternativa.
- Inventario de señales disponibles en controladores y PLC, y de la red que los conecta.
Pregunta al proveedor:
- Qué señales lee de cada equipo y si necesita sensores adicionales.
- Por qué protocolo accede a los datos y si el histórico se puede exportar en formato abierto.
- Cómo distingue un cambio de programa o de carga de una degradación real.
- Cuánto tiempo de datos necesita antes de dar avisos fiables y cómo mide los falsos avisos.
- Dónde se guardan los datos, quién accede y cómo se protege la conexión.
- Cómo se integra el aviso con el sistema de mantenimiento y las órdenes de trabajo.
- Qué pasa con el sistema si se cambia o se añade un robot de otra marca.
Cómo lo resolvemos en Shuttlia
Nuestro método parte de tus averías y no de un catálogo de sensores:
- Toma de datos de la operación: histórico de paradas, coste de la hora de línea y señales disponibles en cada equipo.
- Layout y simulación: modelamos la línea para ver qué máquinas son críticas y cuánta producción se pierde con cada parada.
- Propuesta cerrada con rango de inversión, con las señales a vigilar, la arquitectura de datos y el cálculo de retorno con supuestos escritos.
- Integración con tus sistemas, ERP, sistema de mantenimiento o SCADA, mediante interfaces abiertas.
- Servicio posventa con revisión periódica de avisos y ajuste de umbrales.
Si con tus datos el predictivo no compensa en una máquina, te lo diremos y propondremos un preventivo mejor planificado. Para revisar tu caso, pide tu estudio gratuito y lo vemos con tu histórico.
Conclusión
El mantenimiento predictivo en robots no empieza con inteligencia artificial, sino con buenas preguntas: qué máquina es crítica, qué señal avisa antes de su fallo y quién actúa cuando llega el aviso. La mayoría de los datos ya está en el controlador.
El camino que funciona es empezar por pocas máquinas, medir con contexto, validar los avisos contra el histórico de averías y calcular el retorno con el coste real de la parada. Con eso, la parada inesperada pasa a ser una intervención con fecha y repuesto preparado.
¿Lo aplicamos a tu almacén?
Cuéntanos tus palés, referencias y picos. Te devolvemos sin coste el cuello de botella, la solución que encaja y un rango de inversión.
Pide tu estudio gratuitoPreguntas frecuentes
¿Necesito sensores nuevos para hacer mantenimiento predictivo en robots?
No siempre. El controlador del robot ya registra par o corriente por eje, temperaturas, errores de seguimiento y ciclos. Las vibraciones de rodamientos en transportadores y equipos auxiliares suelen exigir sensores añadidos. Conviene agotar primero los datos existentes.
¿Cuánto histórico hace falta antes de que los avisos sean fiables?
Depende del equipo y de la variedad de programas y cargas. Hace falta un periodo suficiente para conocer el comportamiento normal en todas las condiciones de trabajo. El proveedor debe decir cuánto necesita y cómo medirá los falsos avisos durante ese tiempo.
¿Los datos tienen que salir de la planta?
No necesariamente. El análisis puede hacerse en un servidor local o en la nube, según la política de la empresa. Si salen de la red de planta, la conexión debe diseñarse con criterios de ciberseguridad industrial como los de IEC 62443.
¿El predictivo sustituye al mantenimiento preventivo?
No. Lo complementa. Hay elementos cuyo desgaste es regular y se gestionan bien por calendario o ciclos, y otros que no dan señales previas. El predictivo se reserva para componentes críticos con una degradación medible.
¿Qué máquinas conviene conectar primero?
Las que paran toda la línea cuando fallan, las que acumulan más horas de avería en el histórico y las que tienen repuestos con plazo largo. Empezar por pocas máquinas permite validar el método y ajustar los umbrales antes de extenderlo.
¿Funciona con robots de distintas marcas?
Puede funcionar si el sistema accede a los datos por interfaces abiertas y documentadas, como OPC UA. Hay que preguntar al proveedor qué señales lee de cada tipo de controlador y si el histórico se puede exportar sin depender de su plataforma.
Fuentes
- IFR - World Robotics 2025, Industrial Robots: nota de prensa
- NIST - Maintenance Costs and Advanced Maintenance Techniques in Manufacturing Machinery: Survey and Analysis, IJPHM
- NIST - The Costs and Benefits of Advanced Maintenance in Manufacturing (NIST AMS 100-18)
- Eurostat - 20% of EU enterprises use AI technologies (11-12-2025)
- INE - Encuesta sobre el uso de TIC y del comercio electrónico en las empresas 2024-2025
- EU-OSHA OSHwiki - Why is maintenance a high risk activity?
- ISO - ISO 17359:2018 Condition monitoring and diagnostics of machines - General guidelines


