---
title: 'Sensores mantenimiento predictivo: qué medir, dónde y qué hace realmente la IA'
description:
    'Sensores de mantenimiento predictivo en edificios comerciales: qué señales HVAC importan, dónde colocarlos y cómo
    IoT e IA convierten la telemetría en una cola de decisiones priorizada.'
image: /images/articles/predictive-maintenance-sensors.webp
image_alt: Tuberías y maquinaria industrial en una sala mecánica de un edificio comercial
published_date: '2026-10-05 14:00'
_seoTodo: 'ES Labs omitted volume for sensores mantenimiento predictivo. Validate before map push.'
---

_Foto de _[_John Crix_](https://unsplash.com/@jccrix?utm_source=frostlogic-mission-control&utm_medium=referral)_ en
_[_Unsplash_](https://unsplash.com/?utm_source=frostlogic-mission-control&utm_medium=referral)_._

El mantenimiento predictivo en edificios comerciales acierta o falla según qué señales tengáis de verdad. Los dashboards
no salvan activos. Los sensores de mantenimiento predictivo, más modelos que los lean con honestidad, sí. Esta pieza es
la capa técnica: qué medir en HVAC y planta rotativa, dónde van esos sensores y qué hace realmente la IA de
mantenimiento predictivo con los datos cuando llegan. Para la forma de programa PdM más amplia en edificios, empezad por
[mantenimiento predictivo en edificios](/articles/predictive-maintenance-buildings/). Este artículo se queda en la
columna vertebral de sensores y modelos.

## Qué medir en HVAC y planta rotativa

Tres canales físicos capturan la mayoría de fallos que importan en ventiladores, bombas, compresores y enfriadoras. Todo
lo demás es contexto útil, no sustituto.

**Vibración.** Desequilibrio, desalineación, holgura y desgaste temprano de rodamientos aparecen en el espectro de
vibración mucho antes de que una unidad dispare por temperatura o corriente. Un acelerómetro triaxial en el extremo de
accionamiento del motor, o una sonda fija en la carcasa de un rodamiento de ventilador, es el sensor clásico de
mantenimiento predictivo en equipos rotativos. No hace falta un analizador de espectro de laboratorio en cada AHU. Hace
falta un punto de montaje estable, una frecuencia de muestreo coherente y suficiente historial para saber cómo suena esa
máquina concreta cuando está sana.

**Corriente del motor y amperios del VFD.** El consumo de corriente y los amperios de salida del VFD capturan
degradación mecánica y eléctrica. La fricción del rodamiento sube, así que el motor trabaja más a la misma velocidad.
Una fase que falla o un variador que caza aparece como un cambio en la curva amperios frente a velocidad. Muchos VFD ya
exponen estos puntos por BACnet o Modbus, por eso el mantenimiento predictivo IoT suele empezar aquí antes de comprar un
kit de vibración nuevo.

**Temperatura.** Temperatura de carcasa de rodamiento, de bobinado del motor, de impulsión y retorno de agua o aire, y
temperaturas de approach de batería capturan sobrecalentamiento, ensuciamiento y deriva de transferencia térmica. La
temperatura sola rara vez da aviso temprano de fallo mecánico como la vibración, pero es barata, ya densa en la mayoría
de mapas de puntos BMS y excelente como señal de corroboración cuando otro canal deriva.

**Puntos nativos del BMS que ya tenéis.** Posición mandada frente a real de válvulas y dampers, presión estática de
conducto, diferencial a través de filtros y baterías, y señales del ciclo frigorífico (presión de aspiración y descarga,
sobrecalentamiento, subenfriamiento) no son "sensores extra". Ya están en el cable. Los despliegues IoT de mantenimiento
predictivo que los ignoran tiran el dinero. Cuando la approach de una enfriadora sube mientras suben los amperios del
compresor y la vibración permanece plana, la historia es térmica, no mecánica. El contexto cruzado de señales es la
mitad de la técnica. Para profundidad de planta en enfriadoras, ved
[optimización de planta de frío](/articles/chiller-plant-optimization/).

## Dónde colocarlos

Instrumentad primero el equipo rotativo crítico. Compresores, ventiladores de impulsión y retorno, bombas primarias y
secundarias, secciones de ventilador de AHU y compresores de enfriadora son los activos cuyo downtime cuesta más y cuyos
modos de fallo se ven más claros en vibración, corriente y temperatura. Una cartera con tres enfriadoras y cuarenta
cajas VAV no necesita cuarenta kits idénticos el día uno. Necesita la planta que tumba el edificio cuando falla.

Reglas de colocación que aguantan en campo:

- Montad sensores de vibración en la parte más rígida de la carcasa del rodamiento, no en paneles de chapa que resuenan.
- Preferid extremos de accionamiento y no accionamiento en motores con historial de rodamientos o acoplamientos.
- Leed amperios y velocidad del VFD desde el variador o el BMS primero; añadid un CT de pinza solo cuando el variador no
  exponga un punto limpio.
- Colocad sondas de temperatura donde el calor se acumula bajo carga (tapas de rodamiento, líneas de descarga del
  compresor, agua de salida de batería), no donde el aire esté cómodo para el técnico.
- Dejad equipo redundante de baja consecuencia en PM de calendario o run-to-failure hasta que el conjunto crítico esté
  estable.

La monitorización de condición es la capa de sensado que alimenta esta decisión de colocación. La pieza hermana sobre
[monitorización de condición en edificios](/articles/condition-monitoring-buildings/) cubre cómo esa capa se sitúa bajo
una política de mantenimiento. El [mantenimiento basado en condición](/articles/condition-based-maintenance/) es la
política que actúa cuando un umbral o la salida de un modelo cruza una línea. Este artículo no sustituye a ninguno;
explica qué sensores hacen honestos a ambos.

## Vibración, corriente, temperatura: qué señal captura qué fallo

| Modo de fallo                                   | Vibración | Corriente / VFD | Temperatura       |
| ----------------------------------------------- | --------- | --------------- | ----------------- |
| Desequilibrio o desalineación del rotor         | Primaria  | Secundaria      | Tardía            |
| Desgaste de rodamiento / pérdida de lubricación | Primaria  | Secundaria      | Secundaria        |
| Degradación de acoplamiento o correa            | Primaria  | Secundaria      | Rara              |
| Problemas de fase eléctrica / variador          | Débil     | Primaria        | Secundaria        |
| Batería sucia / deriva térmica                  | Débil     | Secundaria      | Primaria          |
| Carga de filtro / restricción de caudal         | Débil     | Secundaria      | Secundaria (aire) |
| Carga de refrigerante / ciclo                   | Débil     | Secundaria      | Temps ciclo / P   |

Primaria significa "suele ser la primera bandera limpia". Secundaria significa "confirmación útil cuando otro canal se
mueve". Tardía significa que el fallo ya es caro cuando el canal se mueve. Ninguna fila es un diagnóstico. Un pico de
vibración al alza con corriente y temperatura planas sigue necesitando a un técnico antes de pedir un rodamiento. La
tabla es una ayuda de colocación y triage, no un oráculo de causa raíz.

## Qué hacen realmente la IA y el ML con esas señales

La inteligencia artificial para mantenimiento predictivo es reconocimiento de patrones en series temporales, no un
mecánico dentro del modelo. Con suficiente historial limpio, un modelo aprende cómo es lo normal para un punto o activo
dado y puntúa cuán lejos está la lectura de hoy de esa línea base. Resultados prácticos siguen:

1. **Líneas base por activo.** Un ventilador que siempre ha ido un poco caliente obtiene una normal distinta de la curva
   genérica del fabricante.
2. **Puntuaciones de anomalía.** Deriva, picos, valores atascados, residuos de previsión e incoherencia cruzada pueden
   subir una puntuación sin esperar a una alarma dura. Esa es la diferencia entre mantenimiento predictivo con IA y un
   límite de BMS que solo dispara cuando el daño ya es obvio.
3. **Tendencias tipo vida útil restante.** Donde hay historial de fallos, los modelos pueden proyectar cuánto le queda a
   una firma degradante antes de cruzar una banda de riesgo. La mayoría de edificios comerciales carecen de etiquetas
   densas de fallo, así que las estimaciones RUL deben ser humildes y venir con intervalos de confianza.
4. **Correlación cruzada de señales.** Vibración arriba, amperios arriba, temp de rodamiento arriba es una historia
   distinta de vibración arriba sola.
5. **Decisiones priorizadas.** La salida útil no es otro gráfico. Es una cola: qué hallazgo importa esta semana, qué
   evidencia lo sostiene y qué hacer a continuación.
6. **Los umbrales siguen importando.** Los límites basados en reglas no están obsoletos. Los modelos aprendidos aportan
   valor donde la banda normal se mueve con carga, clima y ocupación. Los programas honestos usan ambos.

Nada de esto inventa un acelerómetro que falta. Si el punto nunca se midió, el modelo no puede conjurarlo. Ese límite es
por qué los OEM de sensores y los proveedores de analítica siguen necesitándose; el caso de co-venta está en
[asociación con OEM de sensores](/articles/sensor-oem-partnership/).

## Lo que los modelos no pueden hacer

La certeza de causa raíz a partir de puntos escasos es el primer límite duro. Tres puntos en tendencia en una enfriadora
de 30 años pueden acortar candidatos. No pueden jurar qué junta gotea. Confirmar la causa sigue necesitando a una
persona con manómetros, análisis de aceite o desmontaje cuando la firma es nueva en ese activo.

Los modelos tampoco pueden inventar sensores que faltan, sustituir el juicio del técnico ni convertirse en un CMMS. Las
órdenes de trabajo, el inventario de piezas y la planificación de PM pertenecen al software de gestión de mantenimiento.
Explore es Sensor Intelligence: lee BMS, contadores e IoT y devuelve una cola de decisiones priorizada. No es un CMMS, y
no lo comercializamos como tal.

Los modelos de lenguaje sin anclaje que "razonan" sobre el comportamiento de la planta sin la física del equipo real son
un modo de fallo aparte. Un sistema anclado comprueba una sugerencia contra cómo se comporta realmente esa unidad antes
de que el hallazgo llegue a una cola.

## La calidad de datos es la puerta

Los puntos malos envenenan los programas de sensores de mantenimiento predictivo más rápido que los modelos débiles. Un
sensor de impulsión que deriva enseña a la línea base la normal equivocada. Un punto de posición de damper atascado
suprime justo la correlación que habría capturado un actuador fallido. Un hand-off cubre los modos de fallo en
profundidad: [fallos de datos de sensores en edificios inteligentes](/articles/smart-building-sensor-data-failures/).
Arreglad completitud, unidades, marcas de tiempo y mentirosos antes de confiar en una curva RUL.

Los sensores virtuales pueden cubrir redundancia cuando existe una señal física correlacionada. No son licencia para
saltar la instrumentación en planta rotativa crítica. Tratadlos como un puente, marcados como derivados, y ved
[sensores virtuales en edificios](/articles/virtual-sensors-buildings/) para el límite. Para cómo los modelos
específicos de HVAC usan la misma telemetría cuando la calidad está bajo control, el hermano técnico es
[HVAC AI](/articles/hvac-ai/).

## Poner las señales a trabajar

FrostLogic Explore es Sensor Intelligence para edificios inteligentes. Lee los puntos BMS y los sensores IoT en los que
ya confiáis, ejecuta detección de anomalías, previsión con intervalos de confianza y comprobaciones what-if, y devuelve
una cola de decisiones priorizada. El lema se sostiene aquí: el dashboard es la pregunta; la cola es la respuesta. El
acceso de escritura empieza desactivado por defecto y se concede por alcance. Dentro de un alcance concedido, un cambio
propuesto espera revisión humana o se ejecuta automáticamente. Nada escribe fuera de un alcance que hayáis activado. El
detalle de capacidad de la vía PdM está en [mantenimiento predictivo](/platform/predictive-maintenance/); cómo el mismo
feed aterriza como analítica BMS está en [analítica BMS](/platform/bms-analytics/).

Si queréis recorrer un mapa de puntos de sala de máquinas y ver qué señales moverían de verdad una cola,
[habladlo](/contact-us/).

## Preguntas frecuentes

**¿Necesito sensores IoT nuevos o bastan los puntos BMS para el mantenimiento predictivo?** A menudo bastan los puntos
BMS para empezar, sobre todo amperios de VFD, temperaturas, presiones y realimentación de válvula o damper. Sensores
dedicados de vibración o corriente ayudan en activos rotativos críticos donde el BMS nunca expuso un canal mecánico. El
mantenimiento predictivo IoT funciona mejor cuando ambas capas alimentan el mismo modelo: BMS para contexto, sensores
añadidos para modos de fallo que el BMS nunca vio.

**¿En qué se diferencia el mantenimiento predictivo con IA de los umbrales basados en reglas?** Los umbrales disparan
cuando un punto cruza un límite fijo. El mantenimiento predictivo con IA aprende una línea base por activo, puntúa
deriva y residuos de previsión y correlaciona entre señales. Las reglas siguen siendo útiles para física simple. Los
modelos ganan su sitio cuando lo normal se mueve con carga y estación, y cuando una causa raíz se convertiría en una
docena de alarmas independientes.

**¿Es Explore un CMMS?** No. Un CMMS programa trabajo, rastrea piezas y cierra órdenes. Explore detecta, prevé y
prioriza decisiones a partir de datos de sensores y BMS. Los dos conviven. Explore no sustituye el software de gestión
de mantenimiento.

**¿Más sensores mejoran siempre el mantenimiento predictivo?** No. Más ruido, puntos duplicados e instalaciones sin
validar empeoran los modelos. Instrumentad primero el conjunto rotativo crítico, validad los puntos que ya tenéis y
añadid canales que cierren un hueco de modo de fallo conocido. Los sensores de mantenimiento predictivo solo ayudan
cuando los datos son de confianza.

**¿Escribe Explore de vuelta al BMS automáticamente?** El acceso de escritura empieza desactivado por defecto. Concedéis
un alcance cuando queréis acción, y dentro de ese alcance una propuesta espera aprobación o se ejecuta automáticamente.
La detección y la priorización ocurren igual. Las escrituras solo ocurren donde las activasteis explícitamente.

**¿Cuál es la diferencia entre IoT de mantenimiento predictivo y monitorización de condición?** La monitorización de
condición es la capa de sensado y datos. El IoT de mantenimiento predictivo es esa capa más modelos que prevén o puntúan
degradación hacia una decisión. Podéis monitorizar condición sin predecir. No podéis ejecutar PdM honesto sin datos de
condición que aguanten.

**¿Puede la IA inventar una señal de vibración que nunca instalé?** No. Los modelos pueden inferir algunas magnitudes a
partir de lecturas correlacionadas (sensores virtuales), pero no pueden fabricar un canal mecánico que nunca se midió.
Si el desgaste de rodamiento es el modo de fallo que os importa, planificad una ruta real de vibración en ese activo.

**¿Dónde debe empezar una cartera si el presupuesto es ajustado?** Una planta crítica (una enfriadora líder o un juego
de ventiladores AHU primario), los puntos BMS que ya están ahí, más vibración o corriente solo donde el BMS está ciego.
Probad que la cola es útil y luego escalad. Listas de compra de sensores a escala de cartera sin diseño de triage son
cómo se estancan los programas.
