Sensorización predictivo generadores: lo que SI necesitas vs lo que te quieren vender

Sensorización mínima viable bajo API 670 + IEEE 1547 + IEEE 1434: (1) 8-12 acelerómetros piezo + 2-4 sensores de desplazamiento eddy current en cojinetes principales — sampling > 25 kHz para vibración FFT bajo ISO 10816-2. (2) 50-100 RTDs PT100 en devanados estator + rotor + cojinetes para tendencia térmica. (3) 2-4 acopladores capacitivos para DP online IEEE 1434 en bornas del estator. (4) Termografía infrarroja periódica (no necesariamente continua) en zonas críticas. (5) Tribología online del aceite de cojinetes (delta T + partículas magnéticas). Costo TOTAL sensorización adicional: USD 80K-300K por generador. Esto es el FLOOR — sin esto cualquier inversión en plataforma APM es desperdicio.

Lista honesta de over-spec OEM marketing (sin valor predictivo adicional vs API 670 estándar): (1) Sensores 'AI' propietarios > USD 5K/unidad sin documentación estándar — comprar acelerómetros piezo IEPE estándar a USD 200-800 cada uno. (2) Sensores wireless con ROI cuestionable cuando los activos críticos están cableados estructuralmente — el cableado existente cumple ISO 13373 sin re-instalación. (3) Plataformas de visualización 3D 'immersive' con costo USD 30K-100K — el equipo operativo usa dashboards 2D durante 95% del trabajo real. (4) Suscripciones IoT 'enterprise' propietarias cuando MQTT/OPC UA estándar funciona sobradamente. (5) Hot-spot mapping sub-pixel con cámaras térmicas USD 50K cuando termografía industrial FLIR T-series USD 8-15K cumple sobradamente para diagnóstico de generadores.

Después del mínimo viable API 670 + IEEE 1547 + IEEE 1434, el ROI marginal de sensores adicionales cae rápidamente. Datos documentados por NETA (InterNational Electrical Testing Association): pasar de 12 acelerómetros a 24 acelerómetros entrega < 10% mejora marginal en detección de fallas vibracionales. Pasar de 50 RTDs a 100 RTDs entrega < 15% mejora en detección de hot-spots térmicos. La curva de retorno marginal cae a casi cero después del setup estándar API 670. RECOMENDACIÓN: gastar USD 80K-150K en sensorización estándar bien implementada en lugar de USD 300K en sensorización 'premium' con marketing AI. El diferencial USD 150K-200K se invierte mejor en MEJORES MODELOS ML + capacitación del equipo operativo.

Modelos ML, sin duda. Análisis empírico de implementaciones predictivas exitosas: ~80% del valor proviene de modelos ML bien entrenados sobre data de sensorización estándar API 670 + 20% del valor proviene de sensorización 'premium' adicional. La sensorización over-spec sin modelos ML serios entrega valor cercano a cero. Recomendación: gastar 60-70% del presupuesto predictivo en data science + modelos ML + capacitación + change management; gastar 30-40% en sensorización estándar bien implementada. El error común mexicano: gastar 80% en sensorización 'premium' + 20% en data science → resultado: dashboards bonitos sin valor predictivo real.

Para mantenimiento predictivo serio sin lock-in OEM (LTSA contractual), las opciones recomendadas son: (a) Talleres certificados CFE LAPEM W4200-12 que apliquen norma EASA AR100 con capacidad de diagnóstico avanzado IEEE 56 — como TEMISA Power Gen — que pueden ejecutar diagnóstico predictivo manual (Megger + IP + tan delta + DP + termografía + vibración FFT) sin requerir plataforma APM. Costo: USD 30K-100K por diagnóstico completo cada 6-12 meses. (b) Consultoras especializadas (CGS Reliability, Bently Nevada legacy + GE Vernova, Emerson AMS) con servicios horarios USD 250-500/hora — útiles para implementación inicial pero no como modelo recurrente. (c) Para activos críticos donde se justifica plataforma APM, comprar plataforma open-platform agnóstica (IBM Maximo, AspenTech) en lugar de OEM-specific evita lock-in técnico de largo plazo.