Cómo MadeOS convirtió señales CNC en acciones de mantenimiento prescriptivo
Las paradas no planeadas rara vez comienzan cuando una máquina se detiene. Antes aparecen señales de desgaste, acumulación de partículas y ciclos de trabajo que reducen la vida útil de componentes críticos.
En ArtisanLab, una fábrica que produce accesorios, muebles y adornos bajo demanda con madera, metales y maquinaria CNC de corte mecánico y láser, MadeOS ayudó a convertir esas señales en acciones de mantenimiento prescriptivo. El objetivo fue anticipar el desgaste de las herramientas de corte, proteger la continuidad de la producción y reducir la exposición a paradas no planeadas.
El reto: fallas de herramienta que detienen la operación
Las herramientas de corte se desgastan por la acumulación de partículas residuales de cada maquinado y por los ciclos de trabajo. Cuando el desgaste llega a un punto crítico, la herramienta puede fallar por completo y obligar a detener la producción para reemplazarla.
Cada evento podía implicar aproximadamente:
-
USD 600 por herramienta de corte.
-
USD 1,500 a USD 2,800 de impacto por cliente.
-
Entre 8 y 15 clientes afectados al mes.
-
Al menos USD 12,000 mensuales en pérdidas potenciales.
Además, una reparación podía tardar hasta 15 días cuando no se contaba con el repuesto requerido. Históricamente, las máquinas piloto registraban entre tres y cuatro paradas no planeadas por año.
De datos de operación a vida útil restante
En colaboración con ArtisanLab, se identificaron dos variables clave para estimar la vida útil restante de las herramientas de corte: el avance de corte y las horas de trabajo.
MadeOS se integró con las máquinas CNC para seguir estas variables en tiempo real y generar predicciones durante la operación. Las predicciones se contrastan con los rangos y condiciones de falla previamente identificados por los operadores.
El flujo operativo pasó de una falla reactiva a una intervención anticipada:
Señales de uso → estimación de vida útil restante → alerta prescriptiva → revisión de inventario → mantenimiento planificado
El objetivo fue entregar alertas de mantenimiento con contexto para el operador, revisar la disponibilidad de refacciones y estimar la vida útil restante (Remaining Useful Life, RUL) en horas de trabajo.
La implementación: aprender desde la operación real
La integración comenzó a finales de enero de 2026. Durante el primer mes, las recomendaciones iniciales tuvieron utilidad limitada porque no existía historial suficiente de las máquinas; los análisis se realizaron sobre datos capturados en tiempo real.
Después de los primeros ajustes de parámetros, las prescripciones comenzaron a alinearse con el criterio operativo del equipo. Más del 85% de las alertas y prescripciones han sido atendidas; el resto se descartó por decisión del operador según las condiciones específicas de la operación.
Las estimaciones de RUL se generan en cada ventana de producción definida por el operador. Esto permite mantener seguimiento anticipado de la condición de falla durante toda la operación monitoreada.
Resultado del piloto: menos paradas no planeadas
En los primeros seis meses del piloto - de enero a junio de 2026 - ocurrió una sola parada no planeada.
Con una frecuencia histórica de tres a cuatro fallas por máquina al año, el comportamiento esperado para un periodo de seis meses era de entre 1.5 y 2 paradas, con un promedio histórico de 1.75.
| Referencia histórica | Paradas esperadas en 6 meses | Paradas reales | Reducción |
|---|---|---|---|
| 3 fallas/año | 1.5 | 1 | 33% |
| Promedio de 3.5 fallas/año | 1.75 | 1 | 43% |
| 4 fallas/año | 2 | 1 | 50% |
Frente a la línea base histórica, el piloto registró una reducción estimada de entre 33% y 50% en paradas no planeadas, o 43% al compararlo con el promedio histórico.
Lo que sigue: mantenimiento basado en el uso real
El siguiente paso es consolidar el aprendizaje del piloto en una práctica repetible: vincular el mantenimiento y la revisión de inventario al uso real de cada activo, continuar refinando los parámetros de RUL y usar las alertas como una herramienta de decisión para los operadores.
Ese es el papel de MadeOS: convertir señales de máquinas, sensores, PLCs, cámaras y telemetría vehicular en acciones precisas que ayudan a proteger uptime, utilización, throughput y calidad en fábricas y flotas.
Una nota sobre los resultados
Los resultados corresponden al alcance, las máquinas piloto y el periodo evaluado en ArtisanLab durante los primeros seis meses de 2026. La reducción reportada compara una sola parada no planeada observada contra una frecuencia histórica de tres a cuatro fallas anuales por máquina. No constituye una garantía de resultados para todos los activos, procesos o instalaciones; cada implementación requiere una línea base operacional, criterios de mantenimiento y condiciones específicas de operación.
¿Dónde está perdiendo su operación?
Un Operational Loss Baseline ayuda a identificar la pérdida prioritaria, el activo o sistema vehicular crítico, las señales disponibles y la primera acción que puede proteger la operación.
Construya su Operational Loss Baseline con nosotros y agende una llamada con nuestro equipo en https://madeos.ai/demo/?utm_source=landing&utm_medium=hero&utm_campaign=general&utm_content=blueprint_hero