ROI del mantenimiento predictivo: los números reales de una fábrica tras 18 meses
Cuando Midwest Precision Machining (nombre cambiado, empresa real) decidió implementar mantenimiento predictivo en sus instalaciones de 34,000 pies cuadrados a finales de 2023, su director financiero quería cifras concretas. No proyecciones de proveedores. No promedios del sector. Quería rastrear cada dólar invertido y cada dólar ahorrado, con el mismo rigor que aplicarían a cualquier otra inversión de capital. Dieciocho meses después, esto es lo que encontraron.
El punto de partida: cuánto estaban gastando
Antes del mantenimiento predictivo, Midwest operaba con una combinación de mantenimiento reactivo y basado en el tiempo. Tenían 14 máquinas CNC (fresadoras y tornos), 3 prensas de moldeo por inyección, 2 cabinas de pintura con sistemas de transporte, y diversos equipos de soporte (compresores de aire, chillers, unidades de potencia hidráulica). Su departamento de mantenimiento contaba con 4 técnicos a tiempo completo y un responsable de mantenimiento.
Los costes anuales de mantenimiento en los 12 meses previos a la implementación: $847,000. Esto se desglosaba en $312,000 en mantenimiento planificado (preventivos, reconstrucciones programadas, consumibles), $389,000 en reparaciones no planificadas (llamadas de servicio de emergencia, piezas urgentes, horas extra de mano de obra) y $146,000 en salarios del personal de mantenimiento atribuibles al trabajo reactivo.
El tiempo de inactividad no planificado promediaba 47 horas al mes en todos los equipos. A su tarifa de máquina con costes cargados de $285/hora, eso representaba $160,740 al año en capacidad de producción perdida. Parte de esto se absorbía porque tenían suficiente margen de capacidad. Pero aproximadamente el 60% de esas horas de inactividad no planificada resultaron en envíos tardíos, horas extra en las semanas siguientes o trabajo subcontratado para cumplir con los plazos.
La inversión
El sistema de mantenimiento predictivo incluía sensores de vibración en todos los 14 husillos CNC y motores de ejes (56 sensores en total), monitorización de corriente en los accionamientos principales de las prensas de moldeo por inyección (6 sensores), cámaras térmicas cubriendo los compresores de aire y las ubicaciones principales de rodamientos (4 cámaras), y sensores de estado del aceite en las unidades de potencia hidráulica (3 sensores).
Coste del hardware: $67,400. Mano de obra de instalación (una combinación de técnicos del proveedor y sus propios electricistas): $18,200. Suscripción anual a la plataforma de software: $42,000. Formación para el personal de mantenimiento (3 días presenciales por parte del proveedor): $8,500. Hardware de computación en el borde (2 PCs industriales para recopilación de datos y procesamiento local): $6,800. Inversión total del primer año: $142,900.
Meses 1-6: el período de aprendizaje
El proveedor fue transparente en que los primeros 6 meses serían un período de establecimiento de línea base. El sistema necesitaba aprender las firmas de operación normales de cada máquina. Durante este período, el sistema generaba alertas, pero se instruyó al equipo de mantenimiento para tratarlas como informativas en lugar de accionables.
En la práctica, el sistema comenzó a proporcionar información útil antes de lo esperado. Para el mes 3, identificó correctamente un problema de rodamiento en desarrollo en su torno Okuma más grande. La tendencia de vibración era lo suficientemente clara como para que el equipo de mantenimiento pidiera el rodamiento y programara el reemplazo durante una parada planificada, ahorrando lo que habría sido un coste estimado de $22,000 en reparaciones de emergencia.
La parte frustrante del período de aprendizaje fueron los falsos positivos. Los meses 2 y 3 registraron un promedio de 12 alertas por semana, de las cuales aproximadamente el 70% resultaron ser variaciones normales de operación que el sistema aún no había aprendido a clasificar. Para el mes 6, la tasa de falsos positivos bajó a aproximadamente el 15%, lo cual el equipo consideró manejable.
Meses 7-12: resultados medibles
Una vez que el sistema tuvo datos de línea base, las cosas mejoraron rápidamente. Durante los meses 7 a 12, el sistema predijo correctamente 8 fallos de equipos con un promedio de 16 días de antelación antes de que hubieran ocurrido. Tres fueron problemas de rodamientos de husillo, dos fueron problemas de bombas hidráulicas, uno fue un compresor de chiller y dos fueron rodamientos de accionamiento de transportadores.
El tiempo de inactividad no planificado bajó de 47 horas al mes a 18 horas al mes. Los eventos no planificados restantes fueron principalmente cosas que el sistema no estaba monitorizando (un fallo de sello de bomba de refrigerante, un contactor eléctrico, una válvula neumática) más una predicción fallida donde un rodamiento de husillo falló más rápido de lo que el modelo esperaba.
Comparación de costes de mantenimiento para los meses 7-12 (anualizado): el mantenimiento planificado subió ligeramente a $338,000 (más reemplazos proactivos), pero los costes de reparaciones no planificadas bajaron a $124,000. Reducción neta de costes de mantenimiento: $239,000 anualizados.
Meses 13-18: operaciones maduras
Para el segundo año, el equipo de fabricación había integrado el mantenimiento predictivo en su flujo de trabajo estándar. El planificador de mantenimiento revisaba el panel del sistema durante la reunión de producción del lunes por la mañana y programaba las actividades de mantenimiento próximas junto con las prioridades de producción.
El tiempo de inactividad no planificado continuó disminuyendo, promediando 11 horas al mes durante este período. Ocurrieron dos eventos significativos: el sistema predijo un fallo del calentador del cilindro de una prensa de moldeo por inyección con 22 días de antelación (evitando un reemplazo de husillo y cilindro de $45,000 que habría resultado de operar con zonas de calor desiguales), y no detectó un fallo de husillo de bolas en un VMC porque el modo de fallo (una grieta en la jaula de bolas recirculantes) no producía el aumento gradual de vibración para el que el modelo estaba entrenado.
La suscripción de software del segundo año bajó a $36,000 (descuento por volumen del proveedor después del primer año). No se necesitó hardware adicional. Coste total del segundo año: $41,200 (suscripción más reemplazo de 3 sensores que fallaron y una recalibración de las cámaras térmicas).
El resumen de 18 meses
Inversión total en 18 meses: $184,100. Ahorros documentados totales (costes de reparación reducidos más tiempo de inactividad no planificado reducido valorado a la tarifa de máquina con costes cargados): $412,000. Beneficio neto: $227,900. ROI: 124%.
El veredicto del director financiero fue pragmático. Los números eran lo suficientemente sólidos para justificar la inversión, pero señaló que aproximadamente $95,000 de los ahorros declarados dependían de estimaciones de lo que habrían costado los fallos. Los ahorros concretos y fácilmente verificables (reducciones reales en costes de reparación) fueron de $317,000 frente a la inversión de $184,100, lo que aún mostraba un retorno sólido.
La perspectiva del responsable de mantenimiento era diferente. Valoraba el sistema principalmente por su efecto en la calidad del trabajo de su equipo. En lugar de apagar incendios por averías a las 2 de la madrugada, sus técnicos realizaban trabajo planificado durante el horario normal. Las horas extra en el departamento de mantenimiento se redujeron un 62%. Dos de sus cuatro técnicos le dijeron que habían estado considerando irse antes de que se instalara el sistema porque las constantes llamadas de emergencia los estaban agotando.
Los números cuentan una historia, pero las mejoras en estabilidad operativa y moral del equipo no encajan fácilmente en una hoja de cálculo, y a largo plazo pueden importar más que las cifras en dólares.