El mantenimiento reactivo —reparar cuando algo se rompe— ha sido siempre la forma más cara de operar una planta solar. El mantenimiento preventivo es mejor, pero sigue siendo ineficiente: se sustituyen componentes según un calendario y no según su estado, lo que supone gastar en función del tiempo transcurrido y no de la salud real del activo. El mantenimiento predictivo con IA para solar cambia la ecuación de forma fundamental. Permite actuar sobre señales de datos antes de que se produzca el fallo, reduciendo los costes de las intervenciones de emergencia, alargando la vida de los componentes y disminuyendo de forma medible las paradas no planificadas.
En carteras de gran escala de 20MW o más, este cambio no es incremental. Modifica la economía de todo el programa de O&M, el tamaño del equipo necesario para gestionarlo y la relación entre el estado de los activos y el gasto en mantenimiento.
Idea clave: El mantenimiento predictivo con IA reduce el gasto total en O&M entre un 30–50%, mejora el estado de los activos y alarga la vida de los componentes en carteras de 20MW o más.
Este artículo explica cómo funciona el mantenimiento predictivo con IA en la O&M solar, qué datos necesita, qué puede y qué no puede predecir, y cómo construir un caso de negocio para pasar de un programa preventivo a uno predictivo.
Los tres modelos de mantenimiento: reactivo, preventivo y predictivo
Antes de examinar lo que aporta la IA, conviene precisar las diferencias entre los tres modelos de mantenimiento, porque a menudo se confunden los términos.
| Atributo | Reactivo | Preventivo | Predictivo |
|---|---|---|---|
| Disparador | Fallo del equipo o alarma | Calendario | Señal de condición basada en datos |
| Perfil de coste | Coste total más alto e impredecible | Moderado y predecible | Coste total más bajo y planificado |
| Parada no planificada | Alta | Baja a moderada | Mínima |
| Datos necesarios | Mínimos: registros de fallos | Moderados: registros de mantenimiento | Extensos: SCADA, termografía, meteorología y fallos |
| Modelo laboral | Despacho reactivo | Visitas programadas de cuadrillas | Despacho basado en la condición |
| Riesgo de sobremantenimiento | Ninguno | Alto | Bajo |
| Riesgo de inframantenimiento | Alto | Bajo | Muy bajo |
El modelo reactivo parece barato sobre el papel porque no supone gasto proactivo. En la práctica es el más caro: las tarifas de mano de obra de emergencia son más altas, la disponibilidad de repuestos no está controlada y los fallos que podrían haberse detectado a tiempo acaban provocando daños mayores.
El modelo preventivo supone una mejora considerable, porque elimina la mayoría de las intervenciones de emergencia, pero tiene su propia ineficiencia. La sustitución basada en el tiempo implica desechar activos que aún tienen vida útil y gastar el presupuesto según los intervalos conservadores del fabricante (OEM), y no según las condiciones reales de la planta.
El modelo predictivo resuelve ambos problemas. Sustituye la programación por calendario por una programación basada en la condición: se actúa cuando los datos indican que hay que actuar, ni antes ni después.
Los programas predictivos bien ejecutados logran reducciones del 30–50% en los costes de O&M, con hasta un 65% menos de paradas, siempre que la IA reciba los datos adecuados.
Qué datos analiza la IA de mantenimiento predictivo
La capacidad predictiva de cualquier sistema de IA está limitada por la calidad y la amplitud de sus datos de entrada. En la O&M solar, las entradas más relevantes son las siguientes:
Tendencias de rendimiento SCADA
La corriente, la tensión y la potencia de salida a nivel de string, a lo largo del tiempo y normalizadas frente a la irradiancia y la temperatura, establecen la línea base de rendimiento de cada activo. Las desviaciones respecto a esa línea base que quedan por debajo de los umbrales de alarma, pero que son estadísticamente coherentes en el tiempo, se cuentan entre las señales tempranas de fallo más valiosas disponibles.
Un string que funciona ligeramente por debajo de su producción esperada durante tres semanas consecutivas no genera ninguna alarma SCADA, pero sí genera una señal predictiva.
Historial de termografía
Las anomalías térmicas detectadas durante las inspecciones con drones —puntos calientes, diferencias de temperatura entre celdas, calentamiento de las cajas de conexión— son indicadores tempranos de modos de fallo que el SCADA no puede ver. Un diodo de bypass que hoy está 12°C por encima de la media del panel es un dato puntual; la misma caja de conexiones, 19°C por encima de la media seis meses después, es una tendencia.
Los datos térmicos en tendencia son más predictivos que las instantáneas de cada inspección.
Datos meteorológicos y ambientales
La intensidad de la irradiancia, la temperatura ambiente, la velocidad del viento, los ciclos de humedad y los episodios de suciedad afectan a la velocidad de degradación de los componentes. Los modelos de IA que incorporan datos ambientales específicos de cada emplazamiento pueden distinguir entre los cambios de rendimiento causados por el clima y los causados por el estado del activo, una distinción que reduce de forma significativa las predicciones falsas positivas.
Curvas de degradación
La degradación de los módulos no es lineal ni uniforme. La LeTID (degradación inducida por luz y temperatura elevada) en ciertos módulos bifaciales, la PID (degradación inducida por potencial) en sistemas mal puestos a tierra y la fatiga de la soldadura en módulos antiguos siguen curvas de degradación características. Los modelos de IA entrenados con grandes conjuntos de datos pueden ajustar el rendimiento de cada módulo a formas de curva de degradación conocidas e identificar los módulos que se desvían de su trayectoria esperada.
El IEA PVPS sigue publicando trabajos sobre el rendimiento y la degradación de los sistemas fotovoltaicos, que sirven de base para construir modelos predictivos.
Patrones históricos de fallo
Los equipos del mismo fabricante y del mismo lote de producción tienden a presentar patrones de fallo correlacionados. Un modelo de inversor de string que es estadísticamente más propenso a fallar a ciertas temperaturas de operación —una característica que puede aprenderse a partir de los registros de fallos de toda la flota— puede tener menos prioridad en intervalos de servicio extendidos o marcarse para una sustitución anticipada. El aprendizaje entre emplazamientos a partir del historial de fallos es una de las entradas predictivas más potentes que ofrece la IA a escala de plataforma.
El papel de los datos de inspección visual en los modelos predictivos
La carencia más habitual en los programas de mantenimiento predictivo solar es la ausencia de datos de inspección térmica. Muchos modelos de predicción por IA desplegados hoy en emplazamientos de gran escala solo utilizan datos SCADA y meteorológicos, lo que significa que solo pueden predecir los modos de fallo que tienen una firma eléctrica.
El problema es que una parte importante de los fallos solares no presenta firmas eléctricas tempranas. El desarrollo de puntos calientes, la degradación de los diodos de bypass, las microfisuras en las células acumuladas durante años de viento y ciclos térmicos, o la pérdida de aislamiento en las cajas de conexiones son fallos detectables de forma térmica y visual antes de que lo sean de forma eléctrica.
Cuando un componente con degradación térmica aparece en los datos SCADA, a menudo ya ha llegado a una fase en la que la respuesta adecuada es la sustitución y no la monitorización.
Los programas de inspección de gran escala descubren con regularidad que las inspecciones térmicas con drones identifican fallos accionables en emplazamientos que, por lo demás, cumplen todos los umbrales de rendimiento SCADA. Esos fallos son invisibles para los modelos predictivos basados solo en datos eléctricos.
Incluir datos térmicos en los modelos predictivos cambia lo que es predecible. Una caja de conexiones que mostró una diferencia de temperatura de 15°C en la última inspección, combinada con una tendencia descendente del rendimiento en el mismo periodo, ofrece al modelo de IA una señal mucho más clara que cualquiera de los dos flujos de datos por separado.
La combinación de indicadores térmicos tempranos y datos de tendencia SCADA es sustancialmente más predictiva que el SCADA por sí solo, porque las anomalías térmicas suelen preceder a las desviaciones eléctricas en semanas o meses.
Para que un programa predictivo capture la gama completa de fallos evitables, las inspecciones periódicas con drones deben formar parte del flujo de datos, no ser una actividad aparte.
La frecuencia de inspección determina la calidad de la predicción:
- Inspecciones trimestrales → un historial térmico con tendencia que sustenta ventanas de predicción móviles
- Inspecciones anuales → instantáneas puntuales (útiles, pero que no permiten analizar tendencias)
Por eso ClearSpot trata los datos de la inspección solar con drones y la monitorización SCADA como un único flujo de datos unificado, en lugar de sistemas separados que de vez en cuando comparten informes.
De los datos a la predicción: cómo la IA identifica patrones de fallo
La predicción de fallos mediante IA en la O&M solar se basa en tres capacidades analíticas diferenciadas:
1. Detección de anomalías
Es la capacidad de base: identificar valores de rendimiento que se desvían del rango esperado según las condiciones actuales. Es más sofisticada que las alertas basadas en umbrales fijos, porque la expectativa del modelo sobre el comportamiento normal se adapta a los patrones estacionales, a las tasas de degradación propias de cada emplazamiento y al comportamiento histórico de los equipos, en lugar de compararse con un valor fijo.
Un string que rinde por debajo de lo esperado en una tarde calurosa de agosto puede ser normal para esa combinación concreta de emplazamiento y equipos; la misma lectura en las condiciones óptimas de primavera podría indicar un fallo real. Los modelos de detección de anomalías aprenden esos patrones contextuales.
2. Análisis de tendencias
La detección de anomalías puntuales identifica los fallos que ya se han producido. El análisis de tendencias identifica los fallos que se están desarrollando. Al modelar la velocidad de cambio de las métricas de rendimiento a lo largo del tiempo y compararla con las curvas de degradación que preceden a los fallos, la IA predictiva puede identificar activos que siguen una trayectoria de fallo antes de alcanzar el umbral de fallo.
Esta es la capacidad predictiva central que distingue al modelo de las alertas avanzadas.
3. Aprendizaje entre emplazamientos
Un modelo predictivo con visibilidad sobre una cartera de 20 emplazamientos dispone de datos de patrones de fallo de potencialmente miles de strings, cientos de inversores y varias generaciones de equipos. Las firmas de fallo específicas de cada equipo, las tasas de fallo en exposiciones ambientales concretas y las correlaciones entre los hallazgos de inspección y los fallos eléctricos posteriores pueden aprenderse a escala de cartera y aplicarse a las predicciones de cada emplazamiento.
Un sistema que ha observado 200 casos de un modelo de inversor concreto con un determinado patrón térmico antes de fallar es más predictivo que uno que solo ha visto 20.
Esta visión de cartera es la forma en que la plataforma de IA agéntica de ClearSpot escala la misma capa de IA a varios emplazamientos después de demostrar su ROI en un subconjunto de activos.
La combinación de estas tres capacidades, aplicada a la gama completa de datos de entrada descrita anteriormente, es lo que separa a la IA de mantenimiento predictivo genuina de la alerta por umbrales con una etiqueta nueva.
Mantenimiento predictivo en la práctica: un ejemplo de cartera de 50 MW
Para hacer concreto el valor del mantenimiento predictivo, considere este escenario, representativo de lo que los programas predictivos con IA encuentran de forma sistemática en emplazamientos que pasan de modelos solo preventivos.
Una cartera de 50 MW en el suroeste de EE. UU. realiza inspecciones trimestrales con drones junto con monitorización SCADA continua. La plataforma de IA integra ambos flujos de datos y ejecuta análisis de tendencias a nivel de string.
En la primera semana del segundo trimestre, la plataforma marca tres strings adyacentes de la matriz 7B:
- Los datos SCADA muestran que esos strings funcionan ligeramente por debajo de su rendimiento esperado, por debajo del umbral de alarma, sin generar ninguna alerta
- Los datos de inspección térmica del trimestre anterior muestran diferencias de temperatura en las cajas de conexiones de 11°C, 14°C y 9°C por encima de la media de la población de paneles
- El modelo de tendencias indica que la diferencia de la caja de conexiones del string central ha aumentado de 8°C a 14°C en las dos últimas inspecciones trimestrales, a un ritmo coherente con los patrones de deterioro del aislamiento observados en casos anteriores del conjunto de entrenamiento de la IA de la cartera
La plataforma genera una orden de trabajo predictiva:
«Recomendada la inspección térmica y la sustitución de las cajas de conexiones en tres strings en un plazo de 4–6 semanas. Riesgo estimado de fallo del string en 90 días: alto.»
El equipo de O&M programa la visita de un técnico en la semana cuatro, aprovechando una visita al emplazamiento ya prevista para otros trabajos en la misma matriz. Se sustituyen las cajas de conexiones de los tres strings:
- Repuestos: cajas de conexiones de sustitución para los tres strings
- Mano de obra: 3 horas, incluidas en la visita ya programada
- Coste total de la intervención: muy inferior al de una actuación de emergencia
Seis semanas después, uno de los otros strings de esa matriz, que el modelo predictivo no había marcado, falla por completo:
- Intervención de emergencia con una parada no planificada de varios días
- Disparo por protección del inversor que afecta a dos strings adicionales
- Reparación de emergencia con tarifas de urgencia y repuestos sin planificar
- Pérdida de producción estimada, considerable durante la parada
- Coste total del evento de emergencia: muy superior al de la intervención planificada
La intervención predictiva sobre los tres strings marcados evitó un escenario sustancialmente similar. Los tres strings siguieron funcionando sin fallos. La reparación planificada sustituyó lo que habría sido un evento de emergencia (reparación más pérdida de producción) con un coste mucho mayor.
Ahorro neto: un evento de emergencia evitado por incidente, en tres strings de una misma matriz.
Extrapolado a una cartera de 50 MW con más de 80 matrices, el valor anual agregado de este patrón —intervenciones tempranas que sustituyen las llamadas de emergencia— supone un ahorro anual material en costes evitados, en función de la antigüedad de los equipos y de la madurez del programa de inspección.
Integración con el CMMS y los sistemas de órdenes de trabajo
La IA de mantenimiento predictivo que genera predicciones pero no cierra el bucle con el sistema de órdenes de trabajo tiene una brecha crítica en su cadena de valor. La predicción solo es valiosa si desencadena de forma fiable la acción de mantenimiento correcta en el momento adecuado.
La integración de buenas prácticas entre la IA predictiva y el CMMS (sistemas informatizados de gestión del mantenimiento) sigue un flujo de trabajo definido:
- La IA genera una predicción con una acción recomendada, un nivel de confianza y una ventana de urgencia
- La predicción se convierte automáticamente en una orden de trabajo en borrador en el CMMS, con el identificador del activo, la ubicación, el tipo de fallo, la lista de repuestos recomendados y el tiempo estimado de mano de obra ya cumplimentados
- Un responsable de O&M revisa y aprueba la orden de trabajo, manteniendo la supervisión humana sobre todos los despachos de mantenimiento
- La orden de trabajo aprobada se programa, se asigna y se sigue hasta su finalización en el CMMS
- Los resultados de las órdenes de trabajo —reparación confirmada, fallo no encontrado, fallo distinto del previsto— se devuelven al modelo de IA como datos de entrenamiento
Este diseño de bucle cerrado hace dos cosas a la vez:
- Mantiene el control humano sobre cada despacho de mantenimiento, algo que importa por la responsabilidad, por el cumplimiento de los PPA y por la rendición de cuentas del coste de O&M
- Mejora de forma continua el modelo predictivo al proporcionarle datos de resultados: qué predicciones llevaron a fallos confirmados, cuáles fueron falsos positivos y cómo eran los modos de fallo reales al repararlos
Entre los CMMS habituales en la solar de gran escala figuran IBM Maximo, SAP PM, Infor EAM y las herramientas de O&M diseñadas específicamente para el sector. El requisito clave de integración es una API bidireccional: la IA predictiva envía los datos de las órdenes de trabajo al CMMS, y los registros de finalización del CMMS vuelven para actualizar el conjunto de datos de entrenamiento de la IA.
Para los programas de O&M que todavía no tienen CMMS, la propia plataforma de mantenimiento predictivo puede funcionar como un sistema ligero de gestión de órdenes de trabajo. Así empiezan muchas carteras sus programas predictivos antes de integrarse por completo con un CMMS.
Los operadores no necesitan sustituir su SCADA ni su CMMS: el sistema multiagente de O&M de ClearSpot está diseñado para conectarse a esos sistemas en lugar de imponer una sustitución completa.
Caso de negocio: ROI del mantenimiento predictivo frente al preventivo
El caso financiero del mantenimiento predictivo en la O&M solar se basa en tres diferenciales de coste: el coste de la reparación planificada frente a la de emergencia, el impacto en los ingresos de las paradas no planificadas evitadas y la reducción del gasto por sobremantenimiento.
El diferencial de coste de reparación es el más sencillo de cuantificar. El propio historial de costes del CMMS es la mejor fuente para medir esa diferencia en su cartera y construir su caso de negocio.
El sobrecoste de la reparación de emergencia procede de:
- Tarifas de mano de obra de emergencia por encima de las tarifas estándar
- Compras urgentes de repuestos
- Costes de movilización para visitas no programadas
- Daños adicionales que se acumulan cuando los fallos se encadenan antes de ser detectados
El coste de las paradas amplifica el diferencial de reparación. Los eventos de mantenimiento reactivo pueden dejar fallos de componente sin resolver durante días, y la parada completa de un emplazamiento de 50 MW supone una pérdida de ingresos significativa por cada día de indisponibilidad, en función del precio de venta de la energía previsto en cada contrato. Las ventanas de mantenimiento planificadas son cortas y pueden programarse en periodos de baja irradiancia, lo que minimiza la pérdida de producción.
La reducción por sobremantenimiento es el tercer componente. Los programas preventivos que sustituyen componentes en los intervalos de tiempo especificados por el fabricante pueden retirar activos con una vida útil considerable por delante. El mantenimiento predictivo basado en la condición sustituye los componentes cuando su estado lo justifica, no cuando lo indica el calendario. En los programas de sustitución de inversores en particular —donde los intervalos de servicio del fabricante suelen generar reacondicionamientos innecesarios— la programación basada en la condición puede ampliar el intervalo de sustitución.
Ejemplo de ROI: cartera de 50 MW
El siguiente modelo ilustrativo muestra cómo se acumulan los ahorros en una cartera de 50 MW que actualmente sigue un modelo preventivo. Los valores deben sustituirse por los datos reales de coste de cada cartera; la estructura de la comparación es la siguiente:
- Mantenimiento correctivo: disminuye de forma notable, porque las intervenciones de emergencia se evitan gracias a la detección temprana
- Mantenimiento preventivo programado: disminuye, porque se sustituyen menos componentes según el calendario y más según su estado
- Paradas no planificadas (pérdida de ingresos): disminuyen de forma significativa, y es la partida que más pesa en el resultado
- Inspección y monitorización: aumentan, porque el programa predictivo exige más datos; esta inversión adicional es la que genera el resto de los ahorros
En un modelo de este tipo, la reducción del coste total de O&M se sitúa dentro del rango del 30–50% que alcanzan de forma habitual los programas predictivos bien ejecutados. La inversión en mejor monitorización e inspección se recupera gracias a la reducción de los costes de mantenimiento correctivo y de paradas.
Cómo empezar un programa de mantenimiento predictivo
La transición del mantenimiento preventivo al predictivo no exige sustituir simultáneamente toda la infraestructura de O&M. La mayoría de las carteras empiezan con un enfoque estructurado en tres fases:
Fase 1: base de datos (meses 1–3)
- Audite la calidad de sus datos SCADA actuales
- Los datos a nivel de string son el requisito mínimo; si su monitorización solo llega al nivel de inversor, mejorarla hasta el nivel de string es la primera inversión
- Establezca la normalización de la irradiancia con células de referencia in situ: los datos de irradiancia por satélite no bastan para la precisión que requieren los modelos predictivos
- Realice una inspección térmica de referencia con drones de toda la cartera para establecer las líneas base de estado térmico de cada activo
Fase 2: despliegue y calibración del modelo (meses 3–6)
- Despliegue la plataforma de IA predictiva con datos SCADA históricos y los resultados de la inspección de referencia
- Dé al modelo entre 60 y 90 días para aprender las líneas base específicas del emplazamiento antes de actuar sobre sus primeras predicciones
- Durante ese periodo, valide las predicciones frente a fallos conocidos y casi fallos para evaluar la precisión del modelo con su mezcla concreta de equipos
- Ajuste los umbrales de confianza a su tolerancia al riesgo: un umbral más bajo genera más predicciones con más falsos positivos; un umbral más alto genera menos predicciones, pero con mayor confianza
Fase 3: operación en bucle cerrado (desde el mes 6)
- Integre las órdenes de trabajo predictivas con su CMMS o con su sistema de gestión de órdenes de trabajo
- Establezca el bucle de retroalimentación: las órdenes de trabajo completadas actualizan los datos de entrenamiento de la IA
- Realice revisiones trimestrales de la precisión de las predicciones, comparando las tasas de fallo predichas y reales, las tasas de falsos positivos y el ahorro de costes frente al modelo preventivo anterior
- Use estos datos para afinar los umbrales de confianza y la programación de inspecciones, y compare los emplazamientos con la evaluación comparativa de rendimiento con IA para ver dónde aporta más valor el programa
Dos condiciones clave para el éxito
En primer lugar, la implicación del equipo de O&M. El mantenimiento predictivo cambia lo que hacen los técnicos y cuándo lo hacen. Los equipos que entienden por qué el modelo genera predicciones concretas y confían en su precisión aplican sus recomendaciones de forma más coherente. Las revisiones periódicas del rendimiento del modelo, presentadas con resultados claros, generan esa confianza con el tiempo.
En segundo lugar, la regularidad del programa de inspección. Un modelo predictivo alimentado solo con inspecciones anuales dispone de una única instantánea térmica al año; las inspecciones trimestrales le proporcionan una línea de tendencia y una confianza bastante mayor. La inversión en la frecuencia de inspección mejora directamente la calidad de la predicción y, por tanto, el retorno financiero de todo el programa predictivo.
Para los operadores de carteras que estudien esta transición, la plataforma de gestión de activos de ClearSpot ofrece un entorno unificado para la monitorización, la inspección y los flujos de trabajo predictivos.
Conclusión
El mantenimiento predictivo con IA representa un auténtico punto de inflexión en la economía de la O&M solar. El paso del mantenimiento reactivo al preventivo redujo los costes de las intervenciones de emergencia; el paso del preventivo al predictivo reduce el gasto total en O&M en un 30–50% adicional, a la vez que mejora el estado de los activos y alarga la vida de los componentes.
La tecnología para hacerlo existe hoy. Los requisitos de datos —SCADA a nivel de string, inspecciones térmicas periódicas y normalización meteorológica— son alcanzables para cualquier programa profesional de O&M. El caso financiero es claro: una reparación planificada cuesta una fracción de la reparación de emergencia para el mismo fallo, y las paradas evitadas gracias a una detección temprana valen varias veces la inversión en una mejor monitorización.
La brecha no está en la capacidad. Está en la implementación.
ClearSpot combina la monitorización SCADA continua, las inspecciones térmicas con drones impulsadas por IA y la detección predictiva de fallos en una sola plataforma de O&M solar con IA diseñada para carteras de 20MW o más. La plataforma integra todos los flujos de datos que requiere el mantenimiento predictivo y cierra el bucle con su sistema de órdenes de trabajo, de modo que las predicciones se convierten en reparaciones planificadas y no solo en alertas.
Para ver cómo funciona el mantenimiento predictivo en una cartera como la suya, reserve una demo con ClearSpot con el botón siguiente.
Preguntas frecuentes
El mantenimiento predictivo con IA para solar utiliza aprendizaje automático sobre datos SCADA, de inspección térmica, meteorológicos y de fallos para detectar equipos que se encaminan hacia un fallo, de modo que los operadores de gran escala puedan programar reparaciones planificadas antes de que los fallos provoquen paradas.
El mantenimiento preventivo sigue un calendario y sustituye piezas en intervalos fijos. El mantenimiento predictivo actúa según las señales de condición de los datos, de modo que las cuadrillas trabajan en los activos que realmente necesitan atención y evitan tanto las intervenciones de emergencia como las sustituciones innecesarias.
Como mínimo, datos SCADA a nivel de string normalizados con sensores de irradiancia in situ, inspecciones termográficas radiométricas periódicas con drones, datos meteorológicos e historial de fallos y de órdenes de trabajo. Los datos térmicos añaden modos de fallo que no tienen una firma eléctrica temprana.
Los programas bien ejecutados reducen el coste total de O&M entre un 30 % y un 50 % y reducen las paradas hasta un 65 %, sobre todo al sustituir las reparaciones de emergencia por trabajo planificado y al reducir el sobremantenimiento.
Sí. La capa de IA lee los datos SCADA y de inspección existentes y envía órdenes de trabajo en borrador al CMMS mediante una API. Un responsable de O&M aprueba cada despacho, y las órdenes completadas retroalimentan el modelo para mejorarlo.
Sí. Los despliegues a escala de cartera son los que más se benefician, porque el modelo aprende patrones de fallo específicos de cada equipo en muchos emplazamientos y los aplica a cada planta.