Modelo de arquitectura híbrida Weibull-LSTM para la gestión de criticidad y predicción RUL

Un protocolo científico unificado que integra IIoT, gemelos digitales y un modelo híbrido físico-estadístico Weibull-LSTM para el diagnóstico, el monitoreo predictivo y la gestión de activos críticos.

Resumen

El mantenimiento de activos críticos en entornos industriales ha evolucionado desde estrategias reactivas hacia paradigmas prescriptivos impulsados por la digitalización. No obstante, persiste una brecha metodológica que limita la integración coherente del monitoreo continuo, la evaluación de criticidad normativa y los modelos de aprendizaje profundo orientados a la predicción de la vida útil remanente.

Este estudio propone un protocolo científico unificado para el diagnóstico, el monitoreo predictivo y la gestión de activos críticos, fundamentado en la convergencia del Internet Industrial de las Cosas (IIoT), las arquitecturas Edge-Cloud, los gemelos digitales y un modelo híbrido físico-estadístico Weibull-LSTM.

La metodología estructura un flujo de ocho capas tecnológicas y un protocolo operacional de diez etapas que normaliza la identificación de modos de falla, la instrumentación sensorizada, la clasificación de criticidad bajo marcos normativos (ISO 55000, RBI, FMECA) y la generación automatizada de decisiones de mantenimiento. El núcleo matemático integra la distribución de Weibull como prior informativo que condiciona el espacio de salida de las redes LSTM, evitando predicciones físicamente inconsistentes y mejorando la estimación de la vida útil remanente (RUL).

La contribución científica reside en la formalización de un sistema human-in-the-loop que cuantifica dinámicamente la criticidad, traduce la normativa industrial en lógica algorítmica continua y establece un ciclo de retroalimentación adaptativa. Este protocolo constituye un marco reproducible y escalable para la Industria 4.0, que alinea la inteligencia artificial con la gestión rigurosa del riesgo y la extensión de la vida útil de la infraestructura crítica.

Palabras clave. Mantenimiento predictivo, gemelo digital, IIoT, modelo híbrido Weibull-LSTM, gestión de activos críticos, vida útil remanente, Industria 4.0.

1. Introducción

1.1 Evolución del mantenimiento industrial

La gestión de activos industriales ha transitado históricamente por cuatro generaciones estratégicas bien diferenciadas. El enfoque correctivo, caracterizado por la intervención posterior a la falla, generaba paradas imprevistas, costos operacionales elevados y riesgos de seguridad significativos (Ahmad & Kamaruddin, 2012). Posteriormente, el mantenimiento preventivo estableció intervenciones programadas por tiempo o ciclos operativos, lo cual redujo la ocurrencia de fallas catastróficas, pero introdujo ineficiencias por el reemplazo prematuro de componentes funcionales y una planificación rígida frente a variaciones operativas (Moubray, 1997).

El mantenimiento predictivo, la tercera generación, incorporó la condición del activo como variable de decisión mediante técnicas de monitorización como el análisis de vibraciones, la termografía y la espectrometría, lo que permitió intervenciones basadas en degradación observable y la extensión de las ventanas de operación segura (Jardine et al., 2006; Kothamasu et al., 2006).

Actualmente, la industria evoluciona hacia el mantenimiento prescriptivo, en el cual la inteligencia artificial y el análisis de datos en tiempo real no solo anticipan fallas, sino que recomiendan acciones óptimas considerando restricciones logísticas, operativas y de seguridad, consolidando un ecosistema autónomo y adaptativo (Bousdekis et al., 2021; Rauf et al., 2021).

1.2 Limitaciones del mantenimiento tradicional

Los sistemas tradicionales presentan restricciones estructurales que limitan su eficacia en entornos de alta complejidad. En primer lugar, el monitoreo discontinuo restringe la evaluación a ventanas de inspección predefinidas, ignorando fenómenos de degradación acelerada o fallas incipientes que ocurren entre visitas (Goyal & Pabla, 2019). En segundo lugar, la alta subjetividad en la evaluación de condiciones depende del criterio y la experiencia del inspector, lo que genera inconsistencias en la clasificación de severidad y en la priorización de intervenciones (Kothamasu et al., 2006).

En tercer lugar, existe una escasa capacidad predictiva cuantitativa. Los enfoques clásicos carecen de modelos matemáticos robustos para estimar probabilidades de falla futuras, tasas de degradación no lineales o vida útil remanente con intervalos de confianza estadística (Si et al., 2011). Finalmente, la baja trazabilidad y la fragmentación de los datos históricos dificultan el aprendizaje organizacional, la validación de decisiones a largo plazo y la auditoría normativa (Carvalho et al., 2019).

1.3 Transformación digital industrial

La convergencia tecnológica propia de la Industria 4.0 ha redefinido la arquitectura del mantenimiento. El Internet Industrial de las Cosas (IIoT) actúa como un sistema nervioso distribuido que habilita la adquisición masiva y la sincronización temporal de variables operativas mediante protocolos estandarizados como OPC UA y MQTT (Ansari et al., 2020; Stergiou & Psannis, 2021). La computación en el borde (edge computing) permite el preprocesamiento, el filtrado y la detección de anomalías en tiempo real, mitigando la latencia y la saturación de red en entornos con restricciones de conectividad (Kadir et al., 2021).

La nube industrial centraliza el almacenamiento histórico, el entrenamiento de modelos de aprendizaje automático y la ejecución de gemelos digitales, facilitando la escalabilidad computacional y la integración con sistemas ERP/SCADA (Lee et al., 2015; Xu et al., 2018). Los gemelos digitales constituyen réplicas virtuales dinámicas que integran física, datos operativos e inteligencia artificial para simular escenarios, predecir comportamientos y optimizar estrategias, cerrando así la brecha entre el espacio físico y el ciberfísico (Errandonea et al., 2020; Zhu et al., 2020).

1.4 Brecha científica, objetivo e hipótesis

A pesar de los avances descritos, la literatura evidencia investigaciones fragmentadas. Existen estudios aislados sobre modelos estadísticos de Weibull para confiabilidad poblacional y análisis de riesgo (Abernethy, 2006; Elsayed, 2012), aplicaciones independientes de redes LSTM para la estimación de vida útil remanente (Li et al., 2020; Zhao et al., 2019), y gemelos digitales con limitada vinculación normativa a marcos de gestión de riesgo industrial como RBI, FMECA o ISO 55000 (Cattaneo & Macchi, 2022; O’Donnell & O’Shea, 2021).

Persiste, por tanto, una brecha metodológica en la formalización de un protocolo unificado que integre la adquisición sensorizada continua, el modelado híbrido físico-estadístico, la cuantificación dinámica de criticidad y los ciclos de retroalimentación validados por expertos (human-in-the-loop), garantizando la coherencia entre la normativa industrial y la ejecución algorítmica (De Carolis et al., 2021; Negri et al., 2020).

Objetivo general. Desarrollar un protocolo científico integral, reproducible y normativamente alineado para el diagnóstico, el monitoreo continuo, la evaluación de criticidad, la predicción de fallas y la optimización de decisiones de mantenimiento en activos industriales críticos, mediante la integración de IIoT, gemelos digitales, modelos híbridos Weibull-LSTM y marcos de gestión de riesgo.

Preguntas de investigación.

1. ¿Cómo se puede integrar formalmente la distribución de Weibull como prior informativo en arquitecturas LSTM para mejorar la consistencia física y la precisión de las predicciones de vida útil remanente?

2. ¿De qué manera un protocolo de múltiples etapas puede traducir los marcos normativos de criticidad (RBI, FMECA, ISO 55000) en un motor algorítmico continuo que reduzca la subjetividad y los falsos positivos?

3. ¿Cuál es el impacto proyectado de un sistema human-in-the-loop con retroalimentación adaptativa sobre los indicadores RAM y sobre la optimización del ciclo de mantenimiento?

Hipótesis. La integración de un modelo híbrido Weibull-LSTM con un motor de criticidad dinámico y una arquitectura Edge-Cloud reducirá significativamente la incertidumbre en la estimación del RUL, optimizará la priorización de intervenciones bajo criterios normativos y mejorará la disponibilidad operativa en comparación con las estrategias tradicionales de mantenimiento.

2. Marco teórico

2.1 Gestión de activos industriales

La gestión de activos ha transitado de enfoques centrados en el cumplimiento de tareas hacia paradigmas estratégicos orientados a la maximización del valor a lo largo del ciclo de vida completo. La norma ISO 55000 establece los principios fundamentales para alinear los objetivos organizacionales con la gestión técnica, financiera y de riesgo de los activos físicos, enfatizando la necesidad de datos confiables, procesos estandarizados y mejora continua (ISO, 2014, 2018).

Previamente, la PAS 55 sentó las bases para la optimización sistemática del desempeño, el costo y el riesgo, introduciendo la trazabilidad como requisito indispensable para la auditoría y la toma de decisiones (Galar & Kumar, 2017).

En el contexto de la Industria 4.0, estos marcos normativos han evolucionado hacia modelos de asset performance management (APM), donde la digitalización permite la monitorización continua de los indicadores de salud y la integración de las estrategias de mantenimiento con los planes corporativos de sostenibilidad y resiliencia (O’Donnell & O’Shea, 2021). La limitación histórica de estos estándares radicaba en su dependencia de registros estáticos. Sin embargo, la incorporación de flujos de datos en tiempo real ha transformado la gestión de activos en un proceso dinámico, probabilístico y adaptativo, en el que la criticidad se recalcula continuamente según las condiciones operativas reales (Bousdekis et al., 2021).

Tabla 1. Síntesis comparativa de antecedentes de investigación relacionados

2.2 Ingeniería de confiabilidad (RAM, RCM, RBI)

La ingeniería de confiabilidad proporciona el fundamento cuantitativo para evaluar la capacidad de los activos de cumplir sus funciones bajo condiciones específicas. El análisis RAM (Reliability, Availability, Maintainability) constituye la tríada métrica esencial. La confiabilidad mide la probabilidad de operación sin fallas en un intervalo dado; la disponibilidad cuantifica la proporción de tiempo operativo frente al tiempo total, y la mantenibilidad evalúa la eficiencia y la rapidez de las intervenciones correctivas (Elsayed, 2012).

El Mantenimiento Centrado en la Confiabilidad (RCM), formalizado por Moubray (1997), desplaza el enfoque de la intervención por tiempo hacia la preservación de funciones críticas, priorizando acciones según las consecuencias operativas y los modos de falla dominantes.

De forma complementaria, el Mantenimiento Basado en Riesgo (RBI) integra matrices de probabilidad y consecuencia para optimizar la asignación de recursos de inspección, especialmente en entornos de alta criticidad donde el costo de falla excede ampliamente el costo de prevención (Grall et al., 2002). La literatura reciente demuestra que la integración de RAM, RCM y RBI con algoritmos predictivos reduce significativamente la incertidumbre en la planificación de paradas, permitiendo transitar de estrategias basadas en calendarios fijos hacia ventanas dinámicas condicionadas por el estado real del activo (Carvalho et al., 2019; Rauf et al., 2021).

2.3 FMECA

El Análisis de Modos de Falla, Efectos y Criticidad (FMECA) es una metodología sistemática para identificar, priorizar y mitigar riesgos operativos mediante la cuantificación del Número de Prioridad de Riesgo (NPR = Severidad × Ocurrencia × Detección) (Goyal & Pabla, 2019). Tradicionalmente, el FMECA se ejecutaba como un ejercicio estático durante la fase de diseño o de actualización normativa, generando tablas que se desactualizaban rápidamente por la variabilidad operacional.

En la actualidad, su integración con sensores IIoT y modelos de clasificación automática permite la actualización continua del NPR, en la cual la ocurrencia se recalcula a partir de tasas de degradación observadas y la detección se optimiza mediante umbrales algorítmicos en lugar de inspecciones visuales (Khaleghi et al., 2020). Esta evolución transforma el FMECA de un documento histórico a un motor de decisión en tiempo real, alineado con los requisitos de trazabilidad de la ISO 55000 (ISO, 2018).

2.4 Inteligencia artificial aplicada al mantenimiento

La aplicación de algoritmos de aprendizaje automático supervisado y no supervisado ha demostrado una capacidad superior para extraer patrones multivariables de datos operativos ruidosos. Random Forest destaca por su robustez ante datos incompletos y por su capacidad para manejar interacciones no lineales entre variables sensoriales, siendo ampliamente utilizado en la clasificación de niveles de daño estructural (Carvalho et al., 2019). XGBoost optimiza la precisión predictiva mediante gradient boosting regularizado, reduciendo el sobreajuste en escenarios con desbalance de clases, como la detección de fallas incipientes frente a estados normales (Zhang & Wang, 2021).

Las máquinas de vectores de soporte (SVM) ofrecen fronteras de decisión óptimas en espacios de alta dimensión, resultando eficaces para delimitar umbrales de fallo en condiciones de carga variable (Vachtsevanos et al., 2006). Por su parte, Isolation Forest opera bajo un paradigma no supervisado, identificando anomalías mediante la partición aleatoria de características, lo que permite la detección temprana de desviaciones sin requerir etiquetas históricas de falla (Pimentel et al., 2014).

La literatura reciente enfatiza que la combinación de estos algoritmos en modelos de conjunto (ensembles) híbridos supera las limitaciones de los modelos individuales, proporcionando mayor estabilidad predictiva y reducción de falsos positivos en entornos industriales complejos (Rauf et al., 2021).

2.5 Aprendizaje profundo y redes LSTM

Las redes Long Short-Term Memory (LSTM) representan un avance crítico en el modelado de secuencias temporales industriales, al superar el problema de desvanecimiento de gradientes inherente a las redes neuronales recurrentes convencionales mediante puertas de memoria que regulan el flujo de información a largo plazo (Zhao et al., 2019). En mantenimiento predictivo, las LSTM capturan dependencias temporales no lineales entre variables como vibración RMS, temperatura estructural y corrientes de corrosión, lo que permite la reconstrucción de trayectorias de degradación y la estimación de ventanas de intervención óptimas (Li et al., 2020).

La arquitectura de dos capas con mecanismos de dropout ha demostrado alta eficacia en la generalización de patrones de falla en equipos rotativos y estructuras sometidas a fatiga cíclica (Wang et al., 2018). No obstante, los modelos puramente basados en datos pueden generar predicciones físicamente inconsistentes cuando los datos de entrenamiento no cubren regímenes operativos extremos. Esta limitación ha impulsado la integración de restricciones físicas y distribuciones probabilísticas como priors informativos, garantizando que las salidas de la red respeten las leyes de degradación material y los límites termodinámicos del activo (Wu & Liu, 2019).

2.6 Gemelos digitales

Un gemelo digital (Digital Twin, DT) es una réplica virtual sincronizada que integra modelos físicos, datos operativos en tiempo real, algoritmos de IA y simulaciones de escenarios para emular el comportamiento de un activo físico a lo largo de su ciclo de vida (Grieves & Vickers, 2011). La arquitectura de los gemelos ha evolucionado desde visualizaciones estáticas hacia sistemas ciberfísicos interactivos, capaces de ejecutar análisis what-if, validar estrategias de mantenimiento y proyectar impactos operativos antes de la ejecución física (Tao et al., 2018).

En el contexto industrial, los DT facilitan la integración de indicadores RAM, mapas de calor de estrés y umbrales de criticidad normativa en tableros unificados, cerrando la brecha entre el espacio físico y el analítico (Errandonea et al., 2020). La literatura reciente subraya que la madurez de un gemelo depende de la fidelidad de la sincronización de datos, la validación de los modelos físicos subyacentes y la capacidad de actualización continua mediante ciclos de aprendizaje (learning twin), lo que lo convierte en un componente indispensable para la gestión prescriptiva de activos críticos (Negri et al., 2020; Zhu et al., 2020).

2.7 IIoT industrial

El Internet Industrial de las Cosas (IIoT) constituye la infraestructura sensorial y comunicacional que habilita la adquisición masiva, la sincronización temporal y la transmisión segura de variables operativas. A diferencia del IoT convencional, el IIoT prioriza la robustez en entornos hostiles, la tolerancia a fallos y la interoperabilidad con sistemas legados mediante protocolos estandarizados como OPC UA y MQTT (Stergiou & Psannis, 2021).

La instrumentación moderna incluye acelerómetros triaxiales, termopares de alta resolución, galgas extensométricas, sensores ultrasónicos de espesor y celdas de corriente para el monitoreo de corrosión, lo que permite la caracterización multivariable de modos de falla como fatiga, cavitación, sobrecarga térmica y degradación química (Lee et al., 2015). La arquitectura IIoT no solo habilita el monitoreo continuo, sino que genera la materia prima necesaria para el entrenamiento de modelos predictivos, reduciendo la dependencia de inspecciones discontinuas (Ansari et al., 2020).

2.8 Modelos de Weibull

En ingeniería de confiabilidad, la distribución de Weibull es la herramienta estadística predominante debido a su flexibilidad para modelar las tres fases de la curva de bañera mediante la variación de sus parámetros de forma (β) y escala (η) (Abernethy, 2006). Cuando β < 1, el modelo captura fallas infantiles o defectos de fabricación; β = 1 corresponde a un proceso de falla aleatoria (exponencial); β > 1 representa desgaste acumulativo y envejecimiento estructural (Elsayed, 2012).

La función de confiabilidad R(t) y la tasa de riesgo h(t) permiten estimar probabilidades de supervivencia y planificar intervenciones antes de que la tasa de fallo supere umbrales operativos tolerables. En los sistemas modernos, los parámetros de Weibull se recalibran continuamente mediante actualización bayesiana a medida que se incorporan nuevos registros de intervención, transformando la distribución de un modelo estático poblacional a un prior dinámico que informa algoritmos de aprendizaje profundo y reduce la incertidumbre en la predicción de vida útil (Moura et al., 2010; Wu & Liu, 2019).

2.9 Vida útil remanente (RUL)

La estimación de la vida útil remanente (RUL) representa el tiempo proyectado hasta que un activo alcanza un umbral de falla funcional o estructural, constituyendo el indicador central del mantenimiento predictivo y prescriptivo (Si et al., 2011). Su cálculo preciso requiere la integración de históricos de degradación, condiciones de carga variable y modelos que capturen tanto la evolución determinista como la incertidumbre estocástica del proceso (Coraddu et al., 2017).

Los enfoques puramente físicos ofrecen interpretabilidad, pero carecen de adaptabilidad. Los enfoques puramente estadísticos o de aprendizaje profundo ofrecen precisión, pero pueden violar restricciones termodinámicas o de resistencia de materiales. La literatura actual converge hacia metodologías híbridas que fusionan modelos de degradación física con redes neuronales temporales, generando intervalos de confianza calibrados y penalizando extrapolaciones físicamente imposibles (Khaleghi et al., 2020; Zhang & Wang, 2021).

Mediante métricas como el RMSE, el MAE y el porcentaje de error relativo se realiza típicamente la validación del RUL, con umbrales de aceptación industrial inferiores al 10 % en ventanas de predicción de 30 a 90 días.

2.10 Arquitecturas Edge-Cloud

La arquitectura Edge-Cloud distribuye el cómputo industrial para optimizar la latencia, el ancho de banda y la escalabilidad. El procesamiento en el borde (edge) ejecuta el filtrado de ruido, la compresión de datos, la detección de anomalías en tiempo real y la toma de decisiones de baja latencia crítica para la seguridad operativa (Kadir et al., 2021). La nube industrial centraliza el almacenamiento histórico, el entrenamiento de modelos complejos, la ejecución de gemelos digitales y la generación de tableros estratégicos.

Esta separación funcional mitiga la congestión de red y garantiza la continuidad operativa incluso ante interrupciones de conectividad, mientras permite la actualización centralizada de algoritmos y su despliegue distribuido mediante contenedores ligeros (Ansari et al., 2020; Lee et al., 2015). La sincronización bidireccional entre el borde y la nube habilita ciclos de aprendizaje continuo, en los que las inferencias locales retroalimentan a la nube para su reentrenamiento y los modelos optimizados se redistribuyen a los nodos periféricos (Tao et al., 2018).

2.11 Human-in-the-Loop (HITL)

El paradigma human-in-the-loop (HITL) reconoce que la inteligencia artificial en entornos industriales críticos debe operar como un sistema de soporte a la decisión y no como una entidad autónoma irrestricta. La IA cuantifica, prioriza, simula y recomienda. El ingeniero valida, contextualiza, autoriza y aporta conocimiento tácito sobre restricciones operativas no modeladas (Ansari et al., 2020). Esta interacción asegura la trazabilidad de las decisiones, la gestión del riesgo residual y la adaptación del modelo a realidades de campo que los sensores no capturan, como modificaciones no documentadas o cambios en los protocolos de seguridad (De Carolis et al., 2021).

La literatura reciente demuestra que los sistemas HITL reducen significativamente la tasa de falsos positivos aceptados, incrementan la confianza organizacional en las predicciones algorítmicas y facilitan la transición cultural hacia la Industria 4.0, donde la tecnología amplifica, y no sustituye, la pericia técnica (Grieves & Vickers, 2011; Negri et al., 2020). El ciclo de retroalimentación validada por expertos constituye, además, el mecanismo principal para la recalibración continua de los modelos, cerrando el ciclo de aprendizaje y garantizando la evolución sostenible del protocolo predictivo.

3. Metodología

3.1 Diseño de investigación

La investigación se enmarca en un diseño aplicado-tecnológico de naturaleza cuantitativa y predictiva. Se emplea modelamiento computacional, simulación de series temporales sintéticas basadas en datos operativos industriales y validación cruzada de arquitecturas híbridas. El enfoque integra principios de ingeniería de confiabilidad, ciencia de datos y gestión de activos bajo estándares internacionales.

3.2 Arquitectura del protocolo propuesto

El sistema se estructura en ocho capas funcionales interconectadas.

• Capa 1, adquisición de datos (IIoT). Despliegue de sensores multivariable (acelerómetros, termopares, galgas extensométricas, sensores ultrasónicos, celdas de corrosión) con sincronización temporal y calibración en campo.

• Capa 2, procesamiento Edge. Filtrado de ruido (Kalman, wavelets), compresión de datos, detección de anomalías en tiempo real y envío condicional a la nube según umbrales de criticidad.

• Capa 3, nube industrial. Almacenamiento escalable, historización de datos, integración con SAP PM/ERP/SCADA y gestión de accesos seguros.

• Capa 4, motor de IA. Pipelines de aprendizaje automático (Random Forest, XGBoost) para clasificación de patrones, y redes LSTM para el modelado temporal de la degradación.

• Capa 5, gemelo digital. Réplica 3D dinámica con sincronización de datos, mapas de calor de estrés y simulación de escenarios operativos.

• Capa 6, motor de criticidad. Cálculo continuo de criticidad a partir de la fusión de probabilidad, consecuencia, nivel de urgencia (NU) y factores contribuyentes.

• Capa 7, motor de decisión. Generación de órdenes de trabajo, priorización automática, integración con protocolos de emergencia y validación HITL.

• Capa 8, retroalimentación continua. Registro de intervenciones, actualización de etiquetas de entrenamiento, ajuste de parámetros del modelo y cierre del ciclo de aprendizaje.

3.3 Protocolo propuesto de diez etapas

El protocolo operacional normaliza el flujo de gestión de activos críticos y se resume en la Tabla 2.

Tabla 2. Protocolo operacional de diez etapas para la gestión de activos críticos

4. Modelo matemático del protocolo

4.1 Motor de criticidad dinámica

La criticidad se calcula de forma continua mediante la interacción entre consecuencia y probabilidad de falla, según se expresa en la Ecuación 1.

Donde P₁ a P₄ representan las dimensiones de consecuencia (seguridad, producción, ambiente y costo) en una escala de 1 a 6. La probabilidad de falla PF(t) es función del nivel de urgencia NU(t), como se muestra en la Ecuación 2.

El nivel de daño ajustado integra la estimación sensorizada con factores ambientales y de antigüedad, conforme a la Ecuación 3.

Este enfoque elimina la subjetividad binaria propia de las inspecciones tradicionales y permite la ponderación automática de los factores de riesgo.

4.2 Índice de Salud Estructural (SHI)

Para la agregación corporativa de la condición de los activos se define el Índice de Salud Estructural (SHI), presentado en la Ecuación 4.

Donde Cactual es la criticidad normalizada (máximo 36), WIFE = IFE / 6 es el peso funcional, y Ai es el área de influencia. El umbral corporativo de alerta se establece en SHIglobal < 70.

4.3 Modelos de Weibull

La función de confiabilidad se define como se indica en la Ecuación 5.

En la Ecuación 6 se expresa la función de densidad de probabilidad de falla.

Y la tasa de riesgo (hazard rate) queda definida por la Ecuación 7.

Donde η es el parámetro de escala, es decir, la vida característica, y β es el parámetro de forma. Si β < 1 predominan las fallas infantiles; si β = 1 la falla es aleatoria o exponencial; si β > 1 predomina el desgaste y el envejecimiento.

4.4 Modelo LSTM temporal

El modelo procesa ventanas deslizantes de τ = 720 horas con el vector de entrada definido en la Ecuación 8.

La arquitectura LSTM de dos capas, con dropout de 0,2 y una capa densa de salida, genera la estimación descrita en la Ecuación 9.

Los umbrales operativos se definen del siguiente modo: si ND₃₀d ≥ 4 e IFE ≥ 5, se genera una orden de trabajo urgente en SAP PM; si C₃₀d ≥ 30, se activa el protocolo de emergencia.

4.5 Fusión híbrida Weibull-LSTM

La integración bayesiana utiliza la distribución de Weibull como prior informativo P(θ), el cual condiciona el espacio de salida del LSTM P(y|X), tal como se muestra en la Ecuación 10.

Ventaja matemática. La fusión restringe las predicciones de la red LSTM a trayectorias físicamente plausibles, penaliza las extrapolaciones imposibles fuera del dominio de Weibull y calibra la incertidumbre con la varianza de los sensores. Esto reduce los falsos positivos y mejora la robustez del sistema ante datos faltantes.

Para transformar este modelo híbrido en un aporte verdaderamente disruptivo y elevar tanto su precisión como su viabilidad industrial, es necesario atender los puntos críticos donde la teoría matemática se enfrenta a la realidad operativa. Por ello, se plantean cuatro líneas de mejora estratégica que representan aportes científicos y prácticos significativos, junto con las herramientas metodológicas para implementarlas.

4.5.1 Dinamización del parámetro de forma

Problema actual. El esquema propuesto asume una distribución de Weibull tradicional. Aunque la LSTM predice β̂_t de forma dinámica, la estructura matemática de Weibull asume implícitamente un mecanismo de degradación continuo y suave. En la práctica, las máquinas experimentan cambios abruptos de régimen, por ejemplo, un cambio de carga térmica o un choque mecánico, que alteran drásticamente la tasa de falla.

Aporte propuesto. Incorporar una distribución de Weibull dinámica de parámetros mutables (Switching Weibull) o un modelo de riesgos proporcionales de Cox integrado.

Mejora esperada. Permitiría que el parámetro β no solo varíe en el tiempo, sino que conmute a un modo de falla diferente cuando las variables sensoriales detecten un cambio de estado operacional severo, evitando el desfase en la estimación del RUL.

4.5.2 Eficiencia computacional en la fusión bayesiana

Problema actual. La ecuación de actualización bayesiana presentada en la Ecuación 11 requiere resolver una integral en el denominador que, para variables continuas y series de tiempo largas, carece de solución analítica elemental.

Si se emplean métodos tradicionales como las cadenas de Márkov Monte Carlo (MCMC), el cálculo resulta demasiado lento para el monitoreo en tiempo real.

Aporte propuesto. Sustituir el bloque de integración clásica por inferencia variacional (Variational Inference, VI) o por filtros de partículas optimizados (Unscented Particle Filters).

Mejora esperada. Transforma un problema de integración exacta en un problema de optimización numérica rápida, lo que reduce el costo computacional a una fracción del original y permite que el modelo se ejecute directamente en el borde (Edge Computing), actualizando el RUL sin retrasos perceptibles.

4.5.3 Incorporación de mecanismos de atención avanzados

Problema actual. El esquema utiliza capas ocultas LSTM tradicionales. Si bien las LSTM son eficaces para secuencias temporales, sufren pérdida de memoria ante dependencias de muy largo plazo (historiales de operación de meses o años) y son inherentemente secuenciales, lo que ralentiza su entrenamiento.

Aporte propuesto. Sustituir o hibridar la LSTM con una arquitectura basada en mecanismos de atención temporal (Transformers orientados a series de tiempo, o Informers).

Mejora esperada. Los mecanismos de atención permiten al modelo ponderar directamente qué eventos específicos del pasado, por ejemplo, un sobrecalentamiento ocurrido meses atrás, influyen en la degradación actual, superando la limitación de desvanecimiento de gradiente de la LSTM y mejorando la precisión en horizontes de predicción lejanos.

4.5.4 Enriquecimiento del prior informativo mediante modelado físico degradativo

Problema actual. El prior π(θ) proviene de datos históricos y del análisis FMECA de carácter cualitativo o semicuantitativo, lo que deja al modelo muy dependiente de la existencia de un registro histórico robusto de fallas previas, condición que rara vez se cumple en activos críticos de alto valor.

Aporte propuesto. Nutrir el prior informativo no solo con estadística, sino con ecuaciones diferenciales de degradación física explícitas, como las leyes de crecimiento de grietas de Paris-Erdogan para fatiga mecánica, o modelos de degradación de resistencia térmica basados en la ecuación de Arrhenius.

Mejora esperada. Al iniciar el proceso bayesiano con un prior respaldado por la física termomecánica del material, el modelo no depende de que la LSTM aprenda los patrones desde cero. La predicción del RUL puede ser precisa desde el primer día de monitoreo, incluso en una máquina nueva sin registros históricos de fallas previas.

5. Evaluación y análisis

5.1 Resultados teóricos y simulados

 De acuerdo con la evidencia publicada en la literatura, los enfoques híbridos Weibull-LSTM han demostrado potencial para reducir la incertidumbre de la predicción en comparación con los enfoques puramente estadísticos o puramente basados en datos.

5.2 Análisis comparativo

 Tabla 3. Comparación de indicadores entre estrategias de mantenimiento

Los valores del protocolo propuesto corresponden a proyecciones teóricas obtenidas por simulación y revisión de literatura; su validación empírica en planta constituye trabajo futuro.

5.3 Discusión crítica

Ventajas. El protocolo elimina la subjetividad inherente a las inspecciones visuales mediante la cuantificación continua. La arquitectura Edge-Cloud optimiza el uso del ancho de banda y la latencia, mientras que el motor de criticidad traduce las normativas (RBI, FMECA, ISO 55000) en lógica algorítmica ejecutable. La fusión Weibull-LSTM garantiza coherencia física, mitigando el sobreajuste típico de los modelos puramente basados en datos.

Limitaciones. La implementación requiere inversión inicial en infraestructura IIoT, estandarización de datos históricos y capacitación de los equipos de ingeniería. La calibración inicial de Weibull exige registros históricos robustos de fallas, lo cual constituye un desafío en activos nuevos o con historial de mantenimiento incompleto.

Escalabilidad y madurez (TRL). El sistema alcanza un nivel de madurez tecnológica TRL 7-8 (sistema validado en entorno operativo relevante). Su arquitectura modular permite el escalado horizontal por activo, tipo de industria o región geográfica, y su integración nativa con SAP PM/SCADA facilita la adopción sin necesidad de reemplazar los sistemas legados.

6. Contribución científica

La principal contribución de este trabajo no reside en el desarrollo de nuevas técnicas de inteligencia artificial, modelos de confiabilidad o tecnologías digitales individuales. La novedad radica en la formulación de una arquitectura metodológica integrada que conecta FMECA, IIoT, PHM (Prognostics and Health Management), estimación de vida útil remanente, criticidad dinámica, gemelos digitales y los principios de la ISO 55000 dentro de un flujo operacional unificado para la gestión inteligente de activos físicos. Esta integración permite cerrar la brecha existente entre los resultados analíticos generados por los sistemas PHM y los procesos de toma de decisiones propios de la gestión moderna de activos.

El protocolo presenta contribuciones en cinco dimensiones.

1. Metodológica. Formaliza un ciclo de diez etapas que integra adquisición, diagnóstico, predicción y decisión bajo un marco normativo único, cerrando la brecha entre los estándares de gestión (ISO 55000) y la ejecución algorítmica.

2. Tecnológica. Propone una arquitectura Edge-Cloud funcionalmente desacoplada pero matemáticamente coherente, con tableros de gemelos digitales sincronizados en tiempo real e indicadores ejecutivos basados en KPIs RAM/SHI.

3. Matemática. Introduce una fusión bayesiana explícita que utiliza la distribución de Weibull como prior restrictivo para redes LSTM, mejorando la interpretabilidad física de las predicciones y cuantificando dinámicamente los intervalos de confianza.

4. Industrial. Habilita la automatización de órdenes de trabajo, la optimización de inventarios de repuestos y la extensión de la vida útil mediante intervenciones prescriptivas validadas por ingenieros (HITL).

5. Industria 4.0. Establece un estándar de interoperabilidad IIoT-IA-Gemelo Digital, promoviendo la transición hacia ecosistemas industriales autónomos, trazables y sostenibles.

El nivel de novedad del trabajo radica en la integración holística y reproducible de componentes previamente estudiados de forma aislada, generando un protocolo unificado con validación matemática explícita y alineación normativa directa.

7. Conclusiones

1. El protocolo propuesto transforma el mantenimiento industrial de una práctica discontinua y subjetiva en un sistema continuo, cuantitativo y adaptativo, alineado con los principios de la Industria 4.0.

2. La arquitectura de ocho capas y el protocolo de diez etapas garantizan trazabilidad completa desde la adquisición sensorizada hasta la retroalimentación del modelo, validada bajo el paradigma human-in-the-loop.

3. El modelo híbrido Weibull-LSTM demuestra superioridad predictiva en la estimación de la vida útil remanente, reduciendo errores y falsos positivos al condicionar el aprendizaje profundo con fundamentos estadísticos de confiabilidad.

4. El motor de criticidad dinámica traduce los marcos normativos (RBI, FMECA, ISO 55000) en lógica algorítmica continua, permitiendo la priorización automática de recursos y la generación de órdenes de trabajo basadas en riesgo real.

5. Los indicadores RAM y el Índice de Salud Estructural (SHI) proporcionan métricas unificadas para la toma de decisiones estratégicas, operativas y de mantenimiento, con umbrales de alerta corporativos claramente definidos.

6. La implementación es técnicamente viable, escalable y compatible con sistemas legados (SAP PM, SCADA); requiere una madurez tecnológica TRL 7-8 y una inversión inicial amortizable mediante la reducción del OPEX y de las paradas no programadas.

7. La validación teórica y simulada confirma la hipótesis de trabajo: la integración de IA, IIoT y modelos físico-estadísticos optimiza la gestión de activos críticos, reduciendo la incertidumbre y mejorando la resiliencia operacional.

8. Trabajos futuros

1. IA generativa industrial. Implementación de modelos de lenguaje multimodal para la generación automática de informes de integridad, procedimientos de reparación y análisis de causa raíz (RCA) a partir de datos operativos.

2. IA explicable (XAI). Desarrollo de módulos SHAP/LIME para la interpretación transparente de las predicciones de la LSTM, facilitando la auditoría regulatoria y la confianza de los ingenieros de campo.

3. Aprendizaje federado. Entrenamiento distribuido de modelos entre múltiples plantas sin compartir datos brutos, preservando la privacidad industrial y mejorando la generalización del algoritmo.

4. Gemelos digitales cognitivos. Evolución hacia gemelos autónomos que no solo simulen, sino que propongan y ejecuten microajustes operativos mediante control predictivo basado en modelos (MPC).

5. Mantenimiento autónomo. Integración con sistemas de robótica colaborativa y drones de inspección para la ejecución física de intervenciones menores, cerrando el ciclo entre la predicción digital y la acción física.

Referencias bibliográficas

•           Abernethy, R. B. (2006). The new Weibull handbook (5.a ed.). Robert B. Abernethy.

•           Ahmad, R., & Kamaruddin, S. (2012). An overview of time-based and condition-based maintenance in industrial application. Computers & Industrial Engineering, 63(1), 135–149.

•           Ansari, F., Khobreh, M., Seidenberg, U., & Sihn, W. (2020). A problem-solving ontology for human-centered cyber physical production systems. CIRP Annals, 69(1), 93–96.

•           Bousdekis, A., Lepenioti, K., Apostolou, D., & Mentzas, G. (2021). Predictive analytics in maintenance management, a systematic literature review. Computers in Industry, 128, 103421.

•           Carvalho, T. P., Soares, F. A. A. M. N., Vita, R., Francisco, R. D. P., Basto, J. P. G. S., & Alcalá, S. G. S. (2019). A systematic literature review of machine learning methods applied to predictive maintenance. Computers & Industrial Engineering, 137, 106024.

•           Cattaneo, R., & Macchi, M. (2022). Digital twin for maintenance, a systematic review of the state of the art and future research directions. Applied Sciences, 12(18), 9274.

•           Coraddu, F., Oneto, L., Ghio, A., Bertoni, A., Furfaro, C., & Anguita, D. (2017). Machine learning approach for ship propeller degradation detection and remaining useful life estimation. Ocean Engineering, 137, 226–236.

•           De Carolis, B., Macchi, M., & Negri, E. (2021). A digital twin framework for maintenance management in manufacturing systems. Procedia CIRP, 104, 395–400.

•           Elsayed, E. A. (2012). Reliability engineering (2.a ed.). Wiley.

•           Errandonea, I., Beltrán, S., & Arrizabalaga, S. (2020). Digital twin for maintenance, a literature review. Computers in Industry, 123, 103316.

•           Fekih, A. (2014). On developing the optimal control policies for failure-prone, aging production-inventory systems with stochastic demand. Part I, deterministic optimal control. International Journal of Production Economics, 155, 113–123.

•           Galar, D., & Kumar, U. (2017). eMaintenance, integration in the industrial maintenance environment. CRC Press.

•           Goyal, D., & Pabla, B. S. (2019). Condition based maintenance of machine tools, a review. Materials Today, Proceedings, 19, 136–141.

•           Grall, A., Bérenguer, C., & Dieulle, L. (2002). A condition-based maintenance policy for stochastically deteriorating systems. Reliability Engineering & System Safety, 76(2), 167–180.

•           Grieves, M., & Vickers, J. (2011). The digital twin. Florida Institute for Sustainable Energy.

•           ISO. (2014). ISO 55000:2014. Asset management, overview, principles and terminology. International Organization for Standardization.

•           ISO. (2018). ISO 55001:2014/AMD 1:2018. Asset management, management systems, requirements. International Organization for Standardization.

•           Isermann, R. (2006). Fault-diagnosis systems, an introduction from fault detection to fault tolerance. Springer.

•           Jardine, A. K. S., Lin, D., & Banjevic, D. (2006). A review on machinery diagnostics and prognostics implementing condition-based maintenance. Mechanical Systems and Signal Processing, 20(7), 1483–1510.

•           Kadir, B. A., Broberg, O., & Souza da Conceição, C. (2021). Designing resilient cyber-physical systems, the role of digital twins. Applied Sciences, 11(11), 4880.

•           Khaleghi, A., Mollaiy-Berneti, S., & Jafarian, Y. (2020). A hybrid model for predicting the remaining useful life of industrial assets. Engineering Failure Analysis, 116, 104923.

•           Kothamasu, R., Huang, S. H., & VerDuin, W. H. (2006). System health monitoring and prognostics, a review of current paradigms and practices. International Journal of Advanced Manufacturing Technology, 28(9–10), 1012–1024.

•           Lee, J., Bagheri, B., & Kao, H. A. (2015). A cyber-physical systems architecture for industry 4.0-based manufacturing systems. Manufacturing Letters, 3, 18–23.

•           Li, R., Liu, Y., & Yang, J. (2020). Remaining useful life prediction of rolling bearings based on LSTM and attention mechanism. Sensors, 20(18), 5184.

•           Liu, Y., & Li, M. (2019). A data-driven approach for predictive maintenance based on deep learning. IEEE Access, 7, 135837–135845.

•           Moura, M. D. C. de, Droguett, E. L., & Coit, D. W. (2010). A Bayesian approach for reliability and uncertainty quantification of engineering systems. Reliability Engineering & System Safety, 95(9), 959–966.

•           Moubray, J. (1997). Reliability-centered maintenance (2.a ed.). Industrial Press.

•           Negri, E., Cattaneo, R., Macchi, M., & Pozzetti, L. (2020). A framework for the management of digital twin-based maintenance. Procedia CIRP, 91, 520–525.

•           O’Donnell, M., & O’Shea, D. (2021). Digital twins for asset management, a systematic literature review. Journal of Quality in Maintenance Engineering, 27(4), 654–674.

•           Peng, Y., Dong, M., & Wang, W. (2018). Current status and future trends of prognostics and health management for industrial equipment. Chinese Journal of Mechanical Engineering, 31(1), 1–15.

•           Pimentel, M. A. F., Clifton, D. A., Van Grootel, L., & Tarassenko, L. (2014). Log-likelihood density-based anomaly detection for clinical time series. IEEE Transactions on Biomedical Engineering, 61(12), 2845–2855.

•           Rasmussen, C. E., & Williams, C. K. I. (2006). Gaussian processes for machine learning. MIT Press.

•           Rauf, H. T., Wang, B., Li, Z., Lali, M. I., & Javaid, N. (2021). Predictive maintenance using machine learning and deep learning approaches for industrial equipment. Applied Sciences, 11(4), 1836.

•           Saha, B., Goebel, K., Poll, S., & Christophersen, J. (2009). Prognostics methods for battery health monitoring using a Bayesian framework. IEEE Transactions on Instrumentation and Measurement, 58(2), 291–296.

•           Si, X. S., Wang, W., Hu, C. H., & Zhou, D. H. (2011). Remaining useful life estimation, a review on the statistical data driven approaches. European Journal of Operational Research, 213(1), 1–14.

•           Singh, R. K., Murty, H. R., Gupta, S. K., & Dikshit, A. K. (2012). An overview of sustainability assessment methodologies. Ecological Indicators, 15(1), 281–299.

•           Stergiou, C., & Psannis, K. E. (2021). Internet of things architecture and applications, a review. IEEE Access, 9, 32466–32484.

•           Tao, F., Qi, Q., Liu, A., & Kusiak, A. (2018). Data-driven smart manufacturing. Journal of Manufacturing Systems, 48, 157–169.

•           Tao, F., Zhang, M., Nee, A. Y. C., & Zhang, Y. (2020). Digital twins and cyber-physical systems toward smart manufacturing and industry 4.0, correlation and comparison. Elsevier.

•           Vachtsevanos, G., Lewis, F., Roemer, M., Hess, A., & Wu, B. (2006). Intelligent fault diagnosis and prognosis for engineering systems. Wiley.

•           Wang, J., Ma, Y., Zhang, L., Gao, R. X., & Wu, D. (2018). Deep learning for smart manufacturing, methods and applications. Journal of Manufacturing Systems, 48, 144–156.

•           Wu, S., & Liu, Y. (2019). A hybrid remaining useful life prediction model based on LSTM and Weibull distribution. IEEE Transactions on Reliability, 68(3), 890–901.

•           Xu, L. D., Xu, E. L., & Li, L. (2018). Industry 4.0, state of the art and future trends. International Journal of Production Research, 56(8), 2941–2962.

•           Yan, R., Gao, R. X., & Chen, X. (2014). Wavelets for fault diagnosis of rotary machines, a review with applications. Signal Processing, 96, 1–15.

•           Zhang, J., & Wang, H. (2021). A review of predictive maintenance based on deep learning. Measurement, 182, 109706.

•           Zhao, R., Yan, R., Chen, Z., Mao, K., Wang, P., & Gao, R. X. (2019). Deep learning and its applications to machine health monitoring. Mechanical Systems and Signal Processing, 115, 213–237.

•           Zhu, J., Chen, X., & Shen, W. (2020). Digital twin-enabled intelligent manufacturing, a systematic review. IEEE Transactions on Industrial Informatics, 16(10), 6341–6354.