Análisis de Series de Tiempo

¿Qué Es el Análisis de Series de Tiempo?

El análisis de series de tiempo es la disciplina de extraer significado de mediciones indexadas en orden temporal. A diferencia de las estadísticas de corte transversal, que comparan valores entre sujetos en un solo momento, los métodos de series de tiempo tratan la secuencia misma como informativa: qué tan rápido cambia un valor, si oscila a una frecuencia regular y si está derivando hacia arriba o hacia abajo durante semanas o meses.

En entornos industriales, casi todos los sensores producen una serie de tiempo: los acelerómetros de vibración muestrean miles de veces por segundo, los sensores de temperatura registran cada pocos minutos y los laboratorios de análisis de aceite reportan conteos de partículas cada 250 horas de operación. El análisis de series de tiempo convierte estos flujos brutos en inteligencia de mantenimiento accionable al separar la variación normal de las señales genuinas de deterioro.

El objetivo no es simplemente describir el pasado, sino pronosticar el estado futuro de un activo con suficiente anticipación para una intervención planeada, que es la propuesta de valor central de los programas modernos de monitoreo de condición.

Los cuatro componentes de una serie de tiempo

Toda serie de tiempo industrial puede descomponerse en cuatro componentes. Entender estos componentes es esencial para elegir el método analítico correcto e interpretar los resultados correctamente.

Tendencia

La tendencia es la dirección de largo plazo de la serie: el lento incremento en la vibración del rodamiento a medida que se desarrollan picaduras en la pista de rodamiento, o el aumento gradual en la temperatura del devanado del motor a medida que envejece el aislamiento. La tendencia es la señal de degradación que los equipos de mantenimiento en última instancia quieren rastrear y extrapolar hacia el futuro.

Estacionalidad

La estacionalidad describe fluctuaciones regulares impulsadas por el calendario que se repiten a un periodo fijo. Una bomba que sirve a un sistema HVAC puede mostrar mayor vibración cada verano a medida que la temperatura ambiente eleva la viscosidad del fluido. Un compresor en una planta de procesamiento de alimentos puede ciclar con los programas de producción diarios. Los efectos estacionales deben eliminarse antes de que la estimación de tendencias sea significativa, de lo contrario el modelo confunde un pico de calor de verano con un evento de degradación.

Ciclicidad

La ciclicidad se refiere a fluctuaciones que se repiten durante períodos de más de un año y son impulsadas por ciclos de negocios u operativos en lugar del calendario. Una planta que opera al 60% de capacidad durante una recesión económica puede mostrar amplitudes de vibración más bajas simplemente porque las máquinas están operando menos horas, lo que no tiene relación con la salud del activo. Distinguir la ciclicidad de la tendencia requiere datos de varios años y conocimiento del dominio.

Irregular (ruido)

El componente irregular es el residual después de eliminar la tendencia, la estacionalidad y la ciclicidad. Representa el error de medición aleatorio, las perturbaciones operativas transitorias y los eventos genuinamente únicos como una alteración del proceso o un arranque brusco. Los algoritmos de detección de anomalías buscan valores irregulares demasiado grandes para ser explicados por el ruido normal, señalándolos como posibles eventos de falla.

Métodos principales utilizados en el análisis industrial de series de tiempo

Promedios móviles

Un promedio móvil suaviza una señal del sensor reemplazando cada punto de datos con la media de la ventana circundante de observaciones. Un promedio móvil de 7 días de la vibración pico diaria elimina el ruido de hora en hora mientras preserva la tendencia semana a semana. El promedio móvil simple (SMA) pondera todos los puntos por igual; el promedio móvil ponderado exponencialmente (EWMA) da más peso a las observaciones recientes, haciéndolo más sensible a los cambios repentinos. Los promedios móviles son computacionalmente económicos e interpretables, lo que los convierte en el método estándar de primera pasada para el seguimiento de tendencias de datos del sensor en los dashboards de SCADA y CMMS.

Modelos ARIMA

Los modelos ARIMA (AutoRegressive Integrated Moving Average) capturan tres dinámicas: la relación entre un valor actual y sus propios valores pasados (autoregresión), la no estacionariedad abordada al diferenciar la serie (integración), y la relación entre los residuos actuales y los residuos pasados (término de error de promedio móvil). ARIMA es adecuado para flujos de sensores que tienen una estructura de autocorrelación predecible, como las tendencias lentas de temperatura o el crecimiento de la holgura de los rodamientos. Su salida es un pronóstico puntual con un intervalo de confianza, que puede usarse directamente para estimar el horizonte temporal antes de que se cruce un umbral.

Suavización exponencial

Los métodos de suavización exponencial (Holt-Winters y sus variantes) descomponen una serie en componentes de nivel, tendencia y estacionalidad, cada uno actualizado usando una constante de suavización que controla con qué rapidez el modelo se adapta a los nuevos datos. Son rápidos, requieren pocos datos históricos en comparación con ARIMA y manejan la estacionalidad de forma nativa. En aplicaciones de mantenimiento, se usan comúnmente para pronosticar tasas de uso de consumibles y para suavizar las señales de envolvente de rodamientos antes de la comparación de umbrales.

Transformada Rápida de Fourier (FFT)

La FFT transforma una señal de vibración en el dominio del tiempo en su representación en el dominio de la frecuencia, revelando la amplitud de cada frecuencia componente. Las fallas de rodamientos producen frecuencias características basadas en la geometría: frecuencia de paso de bola en la pista exterior (BPFO), frecuencia de paso de bola en la pista interior (BPFI), frecuencia de giro de la bola (BSF) y frecuencia fundamental de la jaula (FTF). Un espectro FFT que muestra un pico creciente en BPFO es un indicador temprano directo de picaduras en la pista exterior, detectable semanas antes de que la falla produzca ruido audible. La FFT es la columna vertebral del análisis de vibración y está implementada en prácticamente todo el hardware de monitoreo de vibración industrial.

Modelos de detección de anomalías

Los modelos de detección de anomalías con aprendizaje automático, incluidos los isolation forests, los autoencoders y los SVM de una clase, aprenden el comportamiento normal multivariante de un activo en múltiples canales de sensores simultáneamente. Cuando una nueva lectura cae fuera del entorno normal aprendido, el modelo la señala como anomalía sin requerir un umbral predefinido. Esto es particularmente valioso para activos complejos donde las firmas de falla no están completamente caracterizadas de antemano. Para más información sobre este enfoque, consulta la entrada del glosario sobre detección de anomalías.

Ejemplo práctico: detección de falla de rodamiento en 90 días

El siguiente ejemplo muestra cómo los datos de vibración RMS (valor cuadrático medio) recopilados durante 90 días pueden revelar una falla en desarrollo del rodamiento en una bomba centrífuga de 75 kW.

En el día 30, el espectro FFT revela un pico creciente en BPFO. La tendencia RMS aún está por debajo de los umbrales de alerta comunes (típicamente 4.5 mm/s para esta clase de bomba), pero el modelo de series de tiempo ajustado a los días 1 al 30 proyecta que la tasa de aumento llevará la señal más allá de 7.1 mm/s (el umbral de paro) dentro de 50 días. Esta ventana de pronóstico de 50 días permite al equipo de mantenimiento ordenar un rodamiento de reemplazo, asignar un técnico y programar el trabajo durante un descanso de producción planeado en el día 80, evitando una falla catastrófica que habría causado de 18 a 36 horas de tiempo de paro no planeado.

Este escenario ilustra cómo el análisis de series de tiempo cierra la brecha entre los datos brutos del sensor y una estimación de vida útil restante que genera una orden de trabajo de mantenimiento.

Análisis de series de tiempo vs control estadístico de procesos

Ambos métodos usan datos del sensor para señalar condiciones anormales, pero abordan preguntas diferentes y operan bajo supuestos diferentes.

En la práctica, el control estadístico de procesos y el análisis de series de tiempo son complementarios. El CEP proporciona la capa de alertas en tiempo real que detecta fallas repentinas; el análisis de series de tiempo proporciona la capa de pronóstico que identifica la degradación lenta y prevé el momento de la intervención.

Cómo impulsa el análisis de series de tiempo al mantenimiento predictivo

Los programas de mantenimiento predictivo dependen de dos capacidades: detectar fallas de forma temprana y estimar cuánto tiempo puede continuar operando el activo de forma segura. El análisis de series de tiempo proporciona ambas.

La detección temprana de fallas funciona porque las fallas en desarrollo producen cambios característicos en las series de tiempo antes de causar fallas funcionales. Un rodamiento de elementos rodantes que desarrolla una picadura en la pista de rodamiento inicialmente aumenta su amplitud espectral de BPFO en unos pocos por ciento. Un modelo ARIMA o un algoritmo de detección de anomalías ajustado al flujo de vibración de referencia detecta este cambio como una desviación estadísticamente significativa de la trayectoria esperada, típicamente de 30 a 60 días antes de que se crucen los umbrales de severidad de vibración de ISO 10816.

La estimación de la vida útil restante funciona ajustando un modelo de degradación a la tendencia histórica y proyectándolo hacia adelante hasta el umbral de falla. La proyección produce una distribución de fechas probables de falla en lugar de un único punto, lo que permite a los planeadores de mantenimiento programar la intervención de forma conservadora sin ser innecesariamente tempranos. Este es el núcleo analítico de las plataformas de análisis predictivo utilizadas en la gestión de activos industriales.

Los cálculos de tiempo medio entre fallas también se benefician de los datos de series de tiempo. Cuando las marcas de tiempo de falla están disponibles junto con los historiales continuos de sensores, los modelos estadísticos pueden identificar qué trayectorias de sensores preceden de manera confiable a las fallas, lo que permite que las estimaciones de tiempo medio entre fallas se condicionen al estado actual de salud del activo en lugar de calcularse a partir de promedios de población bruta.

Requisitos de datos para un análisis de series de tiempo confiable

Frecuencia de muestreo

El teorema de Nyquist establece que la frecuencia de muestreo debe ser al menos el doble de la frecuencia más alta de interés. Para las frecuencias de falla de rodamientos de hasta 20 kHz, los acelerómetros industriales típicamente muestrean a 25.6 kHz. Para variables de proceso como temperatura o presión, muestrear cada 1 a 5 minutos captura toda la dinámica relevante sin un volumen excesivo de datos.

Tamaño de la ventana

La ventana de análisis debe ser lo suficientemente larga para contener al menos dos ciclos completos de la oscilación más lenta de interés. Para activos con ciclos operativos semanales, una ventana de 30 días es el mínimo práctico. Para activos con estacionalidad anual, se necesitan de 24 a 36 meses de datos antes de que la descomposición estacional se vuelva estable. Las ventanas cortas hacen que los modelos confundan las caídas estacionales con tendencias de degradación.

Estacionariedad

La mayoría de los modelos clásicos de series de tiempo asumen estacionariedad: la media, la varianza y la estructura de autocorrelación de la serie no cambian con el tiempo. Las tendencias de vibración brutas de rodamientos en degradación son no estacionarias por definición. Los remedios estándar son la diferenciación (restar cada valor del anterior) y la eliminación de tendencias (eliminar el componente de tendencia ajustado antes de modelar los residuales). No abordar la no estacionariedad produce pronósticos que extrapolan incorrectamente los patrones estacionales y generan una falsa confianza en la fecha de falla proyectada.

Continuidad de los datos

Los vacíos en los datos del sensor causados por interrupciones de red, extracción del sensor para mantenimiento o paros del equipo crean problemas de valores faltantes. Los vacíos cortos (menos del 5% de la ventana) pueden interpolarse usando métodos lineales o de spline. Los vacíos más largos requieren excluir el período del vacío del entrenamiento del modelo o usar modelos de espacio de estados que manejen de forma nativa los intervalos de observación irregulares. Los sistemas utilizados para el monitoreo de vibración deben registrar el motivo de cada vacío de datos para evitar que los modelos traten un paro planeado como una anomalía.

Herramientas y software comunes

El análisis de series de tiempo industrial se implementa en un espectro de herramientas, desde bibliotecas de programación hasta plataformas de mantenimiento diseñadas específicamente para este propósito.

La elección de la herramienta depende de si el equipo necesita flexibilidad (bibliotecas de programación), velocidad de visualización (Grafana) o un flujo de trabajo integrado de sensor a insight (plataformas especializadas). Para los programas de mantenimiento basado en condición que necesitan escalar a docenas de máquinas sin un equipo dedicado de ciencia de datos, las plataformas integradas que automatizan el entrenamiento de modelos y las alertas suelen ofrecer un tiempo de generación de valor más rápido.

Lo más importante

El análisis de series de tiempo transforma los datos del sensor de un registro histórico en una herramienta de mantenimiento orientada al futuro. Al descomponer las señales en tendencia, estacionalidad, ciclicidad y ruido, y luego modelar cómo evolucionan esos componentes, los equipos de mantenimiento pueden detectar fallas de rodamientos de 30 a 60 días antes de la falla funcional, estimar la vida útil restante con incertidumbre cuantificada y programar intervenciones durante ventanas planeadas en lugar de reaccionar a averías.

El beneficio práctico es medible: el ejemplo práctico anterior muestra una falla detectada en el día 30, un reemplazo programado en el día 72 y una reparación completada en el día 80 durante un descanso planeado, evitando de 18 a 36 horas de tiempo de paro no planeado. Al costo típico del tiempo de paro industrial (USD 50,000 a 500,000 por hora en las industrias de proceso continuo), la inversión analítica se recupera en la primera falla evitada.

Una implementación exitosa requiere ajustar la frecuencia de muestreo a la frecuencia de falla de interés, reunir suficiente historial para la descomposición estacional y abordar la no estacionariedad antes del ajuste del modelo. Los equipos que combinan el análisis de series de tiempo con una capa de alertas en tiempo real obtienen tanto la previsión pronóstica como la velocidad de respuesta operativa necesarias para un programa de mantenimiento predictivo maduro.

Preguntas frecuentes