Skip to content
Smith Lino Moreno
Back to blog

Mantenimiento predictivo con Python: de los datos de vibración a alertas tempranas

Cómo combinar Isolation Forest, XGBoost y filtrado de Kalman para anticipar fallas en equipos industriales.

Smith Eusebio Lino Moreno, Python, 1 min read

En PredictMAC, mi plataforma de mantenimiento predictivo, el objetivo era simple: avisar antes de que el equipo falle. Así se construye el pipeline.

1. Limpieza de la señal

Las lecturas de vibración traen ruido. Dos técnicas que funcionan muy bien:

  • Filtro de Kalman para suavizar la tendencia sin perder los picos reales.
  • Regla IQR para depurar outliers producidos por errores de medición.
q1, q3 = df["rms"].quantile([0.25, 0.75])
iqr = q3 - q1
df = df[df["rms"].between(q1 - 1.5 * iqr, q3 + 1.5 * iqr)]

2. Detección de anomalías

IsolationForest de scikit-learn aprende el comportamiento "normal" y marca lo que se aleja:

from sklearn.ensemble import IsolationForest

model = IsolationForest(contamination=0.03, random_state=42)
df["anomaly"] = model.fit_predict(df[["rms", "temp", "peak"]])

3. Predicción

Compara varios modelos (Random Forest, Gradient Boosting, XGBoost, Ridge y ElasticNet) con k-fold cross-validation y elige el que mejor generaliza, no el que mejor memoriza.

4. Severidad según norma ISO

Clasificar la velocidad de vibración en zonas de severidad ISO convierte el modelo en algo que el técnico entiende: verde, amarillo, naranja o rojo.

Conclusión

La IA en mantenimiento no reemplaza al técnico: le da tiempo para actuar. Si quieres explorar un piloto en tu planta, escríbeme.

ShareLinkedInWhatsApp

Latest articles

Ready to make better decisions with your data?

Book a free 30-minute consultation and get an initial assessment of your situation.