La mayoría de las máquinas avisan antes de fallar. Un motor empieza a vibrar de otra manera. Una bomba se desbalancea de a poco. Un rodamiento desarrolla una firma mecánica nueva. Un ventilador de refrigeración produce frecuencias que no estaban durante la operación normal.
Esos cambios pueden aparecer bastante antes de una falla completa. El desafío es detectarlos temprano, de forma confiable y a un costo que haga viable monitorear más que solo las máquinas más caras de la fábrica.
El UNO Q entrega una plataforma flexible para armar un nodo compacto de mantenimiento predictivo que junta datos de vibración, corre un modelo de machine learning localmente y convierte comportamientos raros en alertas accionables. El resultado es una forma práctica de empezar a monitorear motores, bombas, ventiladores, rodamientos, compresores y otros equipos rotativos sin desplegar de entrada una infraestructura cloud compleja.
Vibraciones buenas y malas
La vibración es una de las señales más útiles para entender la condición de una máquina rotativa. Cuando opera con normalidad, motor, rodamientos, ejes y componentes mecánicos generan un patrón vibratorio relativamente consistente. Cambios en alineación, balance, fricción, montaje o desgaste de componentes pueden alterar ese patrón.
Un sistema de monitoreo tradicional podría gatillar una alerta cada vez que la vibración excede un valor predefinido. Ese enfoque puede ser útil, pero las máquinas rara vez operan en condiciones perfectamente fijas. Velocidad, carga, tipo de producto, temperatura, posición de montaje y modo de operación pueden influir en la señal. Ahí es donde la detección de anomalías se vuelve especialmente valiosa.
Un sensor de vibración no identifica automáticamente cada falla mecánica. Entrega la señal cruda desde la que se pueden extraer patrones significativos. UNO Q, partiendo por ejemplo con un sensor Modulino Movement de Arduino y agregando después un sensor de vibración más preciso, puede capturar datos de aceleración en tres ejes. Montado firmemente sobre la carcasa de un motor o bomba, registra cómo se comporta la máquina en operación normal y cómo cambia cuando empieza a desarrollarse una falla.
El sensor puede capturar más que un solo valor de vibración: registra una serie temporal que describe dirección, amplitud y frecuencia del movimiento. Eso le da al modelo mucha más información que una simple alarma por umbral.
Un equipo puede juntar datos representativos de una máquina sana, entrenar un modelo de detección de anomalías y desplegarlo en el borde. Cuando el modelo ve un patrón de vibración lo bastante distinto de lo que aprendió, produce un puntaje de anomalía más alto.
El sistema no necesita conocer el nombre de cada falla posible antes del despliegue. Puede empezar respondiendo una pregunta más práctica: "¿esta máquina sigue comportándose como se espera?".
De datos crudos a inteligencia operacional
Un primer proyecto de mantenimiento predictivo puede arrancar con una máquina y un número limitado de condiciones de operación.
El ejemplo out-of-the-box que trae Arduino App Lab es un buen punto de partida.
El sensor Modulino Movement se monta firmemente sobre el equipo. UNO Q registra datos de aceleración mientras la máquina está detenida, arrancando, operando normalmente, funcionando bajo distintas cargas y apagándose.
El lado microcontrolador se encarga de la adquisición del sensor y envía los datos al lado Linux, que gestiona el logging, la ejecución del modelo y los dashboards.
Recolectar este rango de comportamiento normal es importante. Un modelo entrenado con una sola condición de operación puede clasificar erróneamente un cambio legítimo de velocidad o carga como una falla.
Dependiendo de la aplicación, el proyecto puede usar clasificación o detección de anomalías.
La clasificación sirve cuando el equipo ya tiene ejemplos de condiciones conocidas, como operación normal, desbalance, desalineación o montaje suelto.
La detección de anomalías sirve cuando los datos de falla son escasos o cuando dañar equipamiento intencionalmente para crear ejemplos de entrenamiento sería inseguro o poco práctico. En ese caso, el modelo aprende el comportamiento normal y destaca las señales que no calzan con esa línea base.
Un modelo grande no es necesariamente un mejor modelo
El modelo de una aplicación de monitoreo por vibración tiene un trabajo acotado. No necesita entender imágenes, lenguaje natural ni cientos de tipos de máquinas no relacionados. Solo necesita distinguir los patrones de operación relevantes del equipo monitoreado. Este foco en modelos más chicos y específicos por tarea es lo que hace viable el monitoreo always-on.
El monitoreo continuo de vibración puede generar mucha data, pero enviar cada muestra cruda a la nube no siempre es necesario, sobre todo considerando que puede aumentar el consumo de ancho de banda, sumar costos recurrentes de infraestructura y hacer que el sistema dependa de la conectividad.
UNO Q procesa ventanas de vibración localmente y almacena o transmite solo información útil, como el estado de salud actual, el puntaje de anomalía, el modo de operación, el timestamp o el evento de alerta. Un dashboard local puede mostrar el comportamiento reciente de la máquina y el historial de eventos. Cuando una anomalía supera un umbral validado por un período definido, el sistema puede activar una luz de advertencia, hacer sonar un buzzer, registrar el evento o enviar un mensaje al servicio de mantenimiento.
La conectividad cloud igual se puede agregar cuando aporta valor. La diferencia es que el proceso central de detección no necesita parar cuando la conexión a internet se cae.
Por qué importa para la industria en Chile
En LatAm el mantenimiento predictivo suele detenerse en dos barreras: el costo por punto de sensado y la dependencia de plataformas SaaS con licencia mensual en dólares. Un board de Arduino con Modulino Movement baja el fierro por nodo a menos de USD 100, y correr la inferencia local elimina la cuenta cloud recurrente. Para una planta con 20-50 máquinas rotativas, el diferencial acumulado en un año paga varias veces la implementación.
El valor real del mantenimiento predictivo
El mantenimiento predictivo funciona cuando la gente tiene aviso suficiente para inspeccionar una máquina antes de una detención inesperada: tiene que quedar tiempo para actuar. La buena noticia es que UNO Q trae ahora sensado, inteligencia local, aplicaciones Linux, conectividad y control hacia la máquina, todo en una sola plataforma. Permite a los equipos empezar con una pregunta simple, "¿esta máquina sigue comportándose normalmente?", y desarrollar la respuesta en un sistema de mantenimiento escalable.
UNO Q se puede comprar desde la Arduino Store, y también en DigiKey, Farnell, Mouser, Newark, RS Components y Robu.in, junto a los distribuidores y revendedores autorizados habituales de la marca.
