En la industria de la manufactura, el mantenimiento es una tarea fundamental para garantizar la disponibilidad y eficiencia de la maquinaria utilizada en el proceso productivo. A través del tiempo, los procesos de mantenimiento se han realizado de forma empírica, basados en la experiencia de los operadores, y principalmente como respuesta a las fallas presentadas en tiempos de operación, generando altos costos para la organización debido a la necesidad de detener la producción mientras se realizan las reparaciones correspondientes y a los tiempos necesarios para el mantenimiento. En [¹] y [²] se argumenta que los costos del servicio de mantenimiento [³] (costos de reparación, transporte, incumplimiento, mano de obra, entre otros) se podrían disminuir significativamente al contar con un sistema de planificación del mantenimiento [⁴], analizan en detalle el contenido y la composición de costos de varias tareas de mantenimiento de una red eléctrica, con el objetivo de determinar los impactos en el ciclo de vida del mantenimiento.

En [⁵] utilizan tecnologías de Big Data y Data Mining para extraer información de manera efectiva desde datos masivos acumulados en el proceso de operación y mantenimiento de Data Centers de yacimientos petroleros. En [⁶] resalta la importancia de utilizar Big Data para administrar, analizar y extraer los datos de información de mantenimiento de equipos que se ha recolectado en el pasado para analizar el estado de uso de los mismos, predecir y mejorar la eficiencia del proceso de mantenimiento.

Uno de los enfoques con mayor énfasis en la literatura es el Mantenimiento Predictivo (PdM por sus siglas en inglés), el cual, al ser combinado con tecnologías de la industria 4.0, se convierte en una gran oportunidad para el mejoramiento y optimización de los procesos de mantenimiento en la industria. En [⁷] describen un marco típico de modelado de PdM y sus componentes clave. También plantean los desafíos de adopción y alternativas para la implementación de este tipo de soluciones, ofreciendo como conclusión varias direcciones de investigación que pueden acelerar el procedimiento de adopción de PdM.

Autores como [⁸] mencionan que es necesario desarrollar enfoques Machine Learning (ML) de última generación para PdM los cuales utilicen diferentes datos de monitoreo de condición (p. ej., vibraciones, corrientes, temperatura, etc.) y que funcionen con esos datos de fallas para predecir la vida útil restante (RUL) de los componentes para que la producción no deba detenerse. También resaltan que la anotación del desgaste de los componentes no siempre es fácilmente identificable, lo que lleva a la cuestión abierta de obtener datos etiquetados de calidad e interpretarlos.

Por su parte, en [⁹] manifiestan que los sistemas inteligentes, el aprendizaje automático (ML) dentro de la IA y los enfoques de PdM, se han aplicado ampliamente en las industrias para manejar el estado de salud de los equipos industriales. En particular, las técnicas de ML han surgido como una herramienta prometedora en las aplicaciones de PdM para la fabricación inteligente en Industria 4.0, por lo que ha aumentado el atractivo de los autores en los últimos años.

En la misma línea, en [¹⁰] exponen que el mantenimiento predictivo es una importante aplicación de IoT discutida en muchas empresas, especialmente en la industria manufacturera y que utiliza datos, generalmente datos de sensores, para optimizar las actividades de mantenimiento. Presentan una taxonomía para clasificar modelos de negocio PdM. Los autores comparan y analizan los modelos de 113 empresas. En [¹¹], [¹²] mencionan que la industria 4.0 es una gran oportunidad de mejora en las capacidades en mantenimiento predictivo para que las operaciones sean eficientes y optimizadas.

En síntesis, en la literatura especializada se evidencia que el uso de tecnologías de la Industria 4.0 tales como IoT e IA para la gestión del mantenimiento está en auge, que las empresas de la industria manufacturera requieren que se optimicen las actividades de mantenimiento para disminuir costos y aumentar la productividad y, aunque se viene trabajando en el área, se plantea abiertamente la necesidad de desarrollar soluciones basadas en modelos predictivos para el mantenimiento de los activos industriales.