Mantenimiento predictivo para sistemas HVAC

Los sistemas de calefacción, ventilación y aire acondicionado (HVAC) son los motores metabólicos de las infraestructuras modernas y representan casi el 40 % del consumo energético de los edificios a escala mundial [1] (figura 1). A medida que la industria pasa de estrategias de mantenimiento reactivo a estrategias de mantenimiento predictivo, el papel de la tecnología de sensores ha evolucionado desde una simple función de supervisión hacia una inteligencia activa. Este artículo analiza los principios de ingeniería que sustentan el uso de sensores de presión diferencial para el mantenimiento predictivo y describe en detalle la física de los modos de fallo en filtros y ventiladores. Además, examina la integración de la IA en el borde (Edge AI) y de TinyML para procesar localmente datos de presión muestreados de forma continua, minimizando la latencia y maximizando la sostenibilidad. Al convertir las unidades de tratamiento de aire pasivas en sistemas inteligentes capaces de autodiagnosticarse, los gestores de instalaciones pueden lograr ahorros energéticos del 15 al 30 % y prolongar la vida útil de los equipos hasta en un 40 % [2; 4].

El entorno de los edificios está experimentando una transformación digital impulsada por dos fuerzas convergentes: la necesidad urgente de descarbonización y el aumento de los costes operativos de las infraestructuras heredadas. Los edificios comerciales se caracterizan por un elevado nivel de ineficiencia energética. Según la Agencia Internacional de la Energía (IEA), los sistemas HVAC representan alrededor del 40 % del consumo energético de un edificio. Una parte importante de esta energía se pierde como consecuencia de filtros sucios, fugas en los conductos y desajustes en la calibración de los actuadores [1].

Tradicionalmente, la gestión y el mantenimiento de instalaciones han seguido dos enfoques claramente diferenciados:

1. Mantenimiento preventivo (PM, por sus siglas en inglés): Un enfoque basado en un calendario de mantenimiento, en el que los componentes se sustituyen a intervalos fijos (por ejemplo, "sustituir los filtros cada 90 días"). Esto suele dar lugar a la eliminación de componentes perfectamente funcionales (desperdicio) o, por el contrario, permite que un sistema funcione de manera ineficiente si se produce un fallo entre intervalos de mantenimiento.
2. Mantenimiento correctivo (CM): El modelo de "funcionamiento hasta el fallo". Las reparaciones solo se inician después de una avería catastrófica, lo que provoca costosos tiempos de inactividad operativa y por ende de emergencia y molestias para los ocupantes.
3. El mantenimiento predictivo (PdM) representa la evolución de la industria 4.0 de estos modelos (figura 2). La instalación de una red de sensores, especialmente sensores de presión diferencial, permite a los ingenieros supervisar en tiempo real el estado operativo del sistema y establecer la 'firma de funcionamiento'. Este enfoque basado en datos permite llevar a cabo las tareas de mantenimiento en el momento óptimo, lo que conlleva maximizar el rendimiento de los equipos y aprovechar plenamente su vida útil remanente (RUL).

Para entender por qué la presión diferencial (ΔP) es la principal métrica para evaluar el estado de los sistemas HVAC, conviene examinar la dinámica de fluidos que rige el funcionamiento de las unidades de tratamiento de aire (UTA). Aunque los sensores de vibración son excelentes para detectar fallos en los rodamientos de los motores, no pueden detectar obstrucciones en el flujo de aire, saturación de filtros ni fugas de presión. Los sensores de presión diferencial cubren esta carencia al medir la diferencia de energía potencial entre dos puntos de la trayectoria del flujo de aire.

Los filtros de aire constituyen la primera línea de defensa de un sistema HVAC. A medida que capturan partículas (PM2.5, PM10), su porosidad disminuye. Según el principio de Bernoulli y la ecuación de Darcy-Weisbach, a medida que aumenta la restricción al flujo, la caída de presión a través del filtro se incrementa para un caudal constante.

En un sistema de volumen constante, un filtro obstruido introduce una elevada resistencia. El ventilador debe realizar más trabajo (W = ΔP ·* Q) para mantener el mismo caudal de aire (Q), lo que provoca un desperdicio de energía exponencial (figura 3).

• Etapa 1 (filtro nuevo): Baja ΔP, flujo laminar.
• Etapa 2 (captación óptima): Incremento lineal de ΔP a medida que se forma la capa de polvo. Es en esta fase cuando el filtro alcanza su máxima eficacia de filtración de partículas.
• Etapa 3 (saturación crítica): Aumento exponencial de ΔP. La corriente del motor del ventilador aumenta y el caudal de aire puede descender por debajo del umbral de intercambio térmico, lo que provoca la congelación o el sobrecalentamiento de los serpentines.

Una simple sustitución basada en temporizadores no tiene en cuenta estas dinámicas. Un proyecto de construcción en las inmediaciones podría obstruir un filtro en dos semanas, mientras que un entorno limpio podría permitir que durara seis meses. Solo un sensor de ΔP puede percibir esta realidad.

En los sistemas de volumen de aire variable (VAV), es fundamental mantener la presión estática en los conductos. El 'factor K' es una constante exclusiva de cada cono de admisión del ventilador que relaciona la presión diferencial con el caudal de aire volumétrico:

Q=K×√ΔP

Midiendo la presión diferencial a través del cono de entrada del ventilador, el sistema puede calcular el volumen exacto de aire suministrado (m³/h) (figura 4). Las anomalías en este punto indican problemas graves:

• Fenómeno surge del ventilador: Si la ΔP oscila rápidamente a una frecuencia determinada, ello indica una inestabilidad aerodinámica (surge) que puede destruir físicamente los álabes del ventilador.
• Deslizamiento de la correa: Una disminución de ΔP a través del ventilador, a pesar de una elevada velocidad de giro del motor, indica una correa de transmisión floja o que patina.

Más allá de la sala de máquinas, la presión diferencial es un parámetro crítico para la seguridad en los sectores sanitario y de fabricación de semiconductores.

• Presión negativa (salas de aislamiento): Garantiza que los patógenos no escapen al pasillo (ΔP < 0).
• Presión positiva (quirófanos): Garantiza que los contaminantes no entren en el campo estéril (ΔP > 0).

Los sensores atmosféricos estándar carecen de la resolución necesaria para estas aplicaciones, que a menudo requieren detectar diferencias tan pequeñas como 5 a 10 pascales.

El hardware que hace posible esta revolución ha evolucionado de voluminosos interruptores mecánicos a dispositivos de silicio a microescala.

Los ingenieros suelen debatir sobre los sensores de caudal másico térmicos y los sensores de presión diferencial.

• Los sensores de flujo térmico funcionan calentando un microhilo y midiendo la transferencia de calor al aire que circula a su alrededor. Aunque son precisos, son muy susceptibles a la contaminación. Una capa de polvo sobre el elemento calefactor lo aísla, provocando una "deriva" y lecturas erróneas o, en el peor de los casos, las partículas de polvo pueden obstruir el canal de aire, lo que propicia el fallo del sensor.
• Los sensores de presión MEMS (piezorresistivos) utilizan una membrana de silicio con galgas extensométricas integradas. La presión del aire deforma la membrana, modificando la resistencia del puente de Wheatstone. Un aspecto fundamental es que el aire no atraviesa el sensor; únicamente ejerce presión contra él (extremo cerrado). Esta configuración confiere a los sensores de presión MEMS una elevada resistencia frente al polvo y la humedad. La deposición de partículas sobre la membrana apenas modifica sus características de deformación mecánica. Sin embargo, esto puede afectar al tiempo de respuesta del sensor.

Los sensores MEMS modernos han integrado la cadena de señal dentro del encapsulado, lo que les proporciona una ventaja frente a los sensores MEMS convencionales "solo analógicos".

1. Integración de ASIC: La señal analógica bruta (milivoltios) es amplificada y digitalizada mediante un convertidor analógico-digital (ADC).
2. Calibración mediante DSP: Un procesador digital de señales (DSP) integrado aplica factores de corrección polinómicos para la linealidad y la temperatura. Esto es fundamental porque las galgas extensométricas de silicio son sensibles a la temperatura. Sin una compensación adecuada, una misma presión diferencial generaría valores de medida diferentes en un ático expuesto a altas temperaturas y en un sótano más frío.
3. Interfaz directa: Los datos se transmiten a través de I²C o SPI, lo que permite prescindir de circuitería analógica de acondicionamiento compleja en la PCB anfitriona.

Los sensores MEMS digitales proporcionan datos calibrados, de bajo ruido y libres de deriva, ideales para una supervisión precisa en tiempo real, y su estabilidad los hace especialmente adecuados para el mantenimiento predictivo basado en IA en el borde (Edge AI) (figura 5).

La serie WSEN PDMS [3] de Würth Elektronik ofrece un principio de medida MEMS piezorresistivo, salidas digitales/analógicas de 16 bit, una elevada precisión (hasta ±0,25 % FSS) e interfaces como I²C/SPI, lo que lo convierte en una solución idónea para aplicaciones HVAC, monitorización de filtros y detección de fugas (figura 6). Su salida totalmente calibrada, el sensor de temperatura integrado y los amplios rangos de presión (±1 kPa a 1000 kPa) garantizan datos de sensor fiables y preparados para IA para la supervisión a largo plazo del estado de los equipos.

El avance más significativo de los últimos años es la migración de la inteligencia desde la nube hasta el 'borde' (Edge), directamente al sensor o al microcontrolador (MCU) local. Este enfoque suele denominarse TinyML.

Un sensor de presión que realiza muestreos a 1 kHz genera enormes cantidades de datos. Transmitir formas de onda sin procesar a la nube para su análisis es costoso (costes de ancho de banda y almacenamiento) y consume mucha energía (la transmisión por radio consume aproximadamente 1000 veces más energía que el procesamiento local). Además, la latencia impide la protección en tiempo real frente a fenómenos de surge catastróficos.

Al ejecutar modelos ligeros de aprendizaje automático en un microcontrolador Cortex-M0 o M4, el procesamiento de los datos se realiza localmente y solo se transmite la información relevante.

En lugar de enviar valores de presión sin procesar, el MCU calcula características estadísticas sobre una ventana deslizante (por ejemplo, cada 10 segundos):

• RMS (Root Mean Square, raíz cuadrática media): Representa la energía global de la señal de presión.
• Curtosis: Detecta la presencia de picos pronunciados o perturbaciones transitorias en el flujo de aire
• FFT (Fast Fourier Transform, transformada rápida de Fourier): Convierte la señal de presión del dominio temporal al dominio de la frecuencia. Es la aplicación más eficaz para diagnóstico. Un ventilador equilibrado genera un pulso de presión a su frecuencia fundamental de rotación (1× RPM). Una pala o un rodamiento dañados introducirán armónicos (2×, 3×) o bandas laterales en el espectro de presión.

En el ámbito HVAC, los Isolation Forests o Autoencoders son arquitecturas TinyML populares.

1. Fase de entrenamiento: El sensor "aprende" la firma de presión normal de la configuración específica de conductos durante la primera semana de funcionamiento (la línea base).
2. Fase de inferencia: El modelo evalúa continuamente los datos entrantes. Si la dinámica de presión se aparta del manifold o variedad aprendida, por ejemplo, debido a una compuerta que oscila rápidamente (fluttering) en lugar de mantenerse estable, el sistema señala una anomalía.

Ejemplo: Una alarma convencional basada en umbrales solo se activa si la presión supera los 500 Pa. Sin embargo, un modelo de Edge AI detectaría una "compuerta atascada" cuando la presión debería haber cambiado durante una aceleración del ventilador, pero no lo hizo. Esta sutil correlación es invisible para una lógica simple basada en umbrales, pero resulta evidente para una IA entrenada en la física del sistema.

En la mayoría de los edificios ya construidos no resulta viable instalar un nuevo cableado. Por lo tanto, la modernización inalámbrica constituye el principal vector de implantación del mantenimiento predictivo (PdM). La elección del protocolo depende en gran medida de la topología específica del edificio y de los requisitos de datos. Würth Elektronik ofrece módulos especializados que cubren tanto despliegues de largo alcance en campus como la monitorización remota basada en redes celulares.

En instalaciones extensas, como hospitales, universidades o rascacielos de oficinas, LoRaWAN suele ser el protocolo de comunicación más utilizado gracias a su excepcional capacidad de penetración a través del hormigón y a su consumo energético ultrabajo.

El módulo DAPHNIS-I de Würth Elektronik es un candidato ideal para estos nodos sensores de tipo «instalar y olvidar» Basado en el chip STM32WLE5CCU6, está optimizado para sensores de presión diferencial alimentados por batería instalados en plenums de techo, donde pueden operar durante años sin mantenimiento.

• Eficiencia energética: Gracias a una corriente de reposo de solo 63,9 nA, el consumo energético del sistema se debe principalmente a las mediciones realizadas por el sensor, mientras que el módulo de radio apenas contribuye al gasto energético cuando permanece en espera.
• Flexibilidad de protocolo: Es compatible con el estándar LoRaWAN 1.0.4 para redes públicas, pero también permite configuraciones propietarias P2P o en malla (mesh), lo que puede resultar útil para bucles de control locales (por ejemplo, un sensor que indique directamente a una compuerta que se cierre sin pasar por un servidor en la nube).
• Rango: Su potencia de salida de 13,4 dBm garantiza una transmisión de datos fiable incluso desde sótanos o salas técnicas apantalladas.

Cuando los activos se encuentran distribuidos en distintas ubicaciones, como unidades HVAC instaladas en una cadena de tiendas o en estaciones de servicios públicos, depender de una pasarela local suele resultar poco práctico. En estos casos, el IoT celular permite que el sensor se conecte directamente a la infraestructura de telecomunicaciones.

El módulo ADRASTEA-I de Würth Elektronik proporciona una solución robusta en este ámbito, ya que admite tanto LTE-M como NB-IoT.

• Preparado para inteligencia en el borde: A diferencia de los módems convencionales, el ADRASTEA-I incorpora un microcontrolador ARM Cortex-M4 accesible para el usuario con 1 MB de memoria Flash. Esto permite a los ingenieros ejecutar los algoritmos TinyML (descritos en la Sección 4) directamente en el módulo de comunicación, lo que permite ahorrar espacio en la placa y reducir costes.
• Compatibilidad multibanda: Cubre una amplia gama de bandas utilizadas a escala mundial (B3, B8, B20, B28, etc.), por lo que resulta adecuado para productos destinados a la exportación internacional.
• Posicionamiento global: El GNSS integrado (GPS/GLONASS) resulta especialmente valioso para unidades HVAC móviles (por ejemplo, enfriadoras de alquiler) o para geolocalizar automáticamente los sensores durante la instalación con el fin de simplificar los mapas de gestión de activos.

Para la modernización de sistemas VAV en los que la lógica de control ya existe, pero el cableado está deteriorado, tecnologías como Modbus inalámbrico pueden salvar esta limitación. Mientras que LoRaWAN y NB-IoT se conectan a la nube, Modbus inalámbrico (implementado a menudo mediante redes en malla propietarias de 2,4 GHz) permite que los nuevos sensores inalámbricos se comuniquen directamente con PLC heredados.

El argumento económico a favor del mantenimiento predictivo es cuantificable y demostrable y se basa en tres pilares: energía, vida útil y costes de mano de obra.

El Departamento de Energía de los Estados Unidos estima que el mantenimiento predictivo (PdM) puede generar una reducción de entre el 15 % y el 30 % en los costes energéticos [2].

• Filtros sucios: Un filtro con una pérdida de presión dos veces mayor requiere que el ventilador consuma aproximadamente el doble de potencia (según las leyes simplificadas de los ventiladores). La sustitución del filtro en el momento óptimo evita esta carga parásita.
• Conductos con fugas: Las fugas suponen básicamente una pérdida del trabajo útil realizado por el ventilador. Detectar una tasa de fugas del 10 % mediante la monitorización de la presión diferencial evita que el ventilador aumente excesivamente su velocidad para compensarla.
• Eficiencia en la transferencia térmica: Un caudal de aire adecuado garantiza que los intercambiadores de calor (serpentines) funcionen dentro del rango de temperaturas para el que fueron diseñados. Un caudal de aire insuficiente provoca que la enfriadora o la caldera funcionen en ciclos cortos, lo que reduce drásticamente su eficiencia.

La sustitución de un gran motor de ventilador industrial no solo representa un coste económico, sino también un coste de carbono (carbono incorporado asociado al cobre, al acero y al transporte). Los datos indican que el mantenimiento predictivo (PdM) puede prolongar la vida útil de los equipos entre un 20 % y un 40 % [5]. Al impedir que una pequeña anomalía evolucione hasta convertirse en una avería grave —desequilibrio, vibraciones, desgaste de los rodamientos y fallo del eje—, los sensores contribuyen a prolongar la vida útil del activo. Este enfoque está en línea con los principios de la economía circular: mantener los productos en uso durante más tiempo.

Tras la pandemia, existe una escasez de técnicos cualificados para el mantenimiento de instalaciones. El mantenimiento predictivo (PdM) elimina las "rondas de inspección" (recorridos para comprobar los indicadores). Los técnicos solo son movilizados cuando un sensor confirma una avería y llegan con la información adecuada (por ejemplo, "Filtro obstruido en la UTA-4") en lugar de tener que investigar una queja imprecisa del tipo "hace demasiado calor".

La transición hacia el mantenimiento predictivo en HVAC no es simplemente una actualización tecnológica, sino un cambio fundamental en la forma en que gestionamos el entorno del edificio. En el centro de esta evolución se sitúa el sensor de presión diferencial, capaz de transformar fenómenos imperceptibles del flujo de aire en datos digitales útiles para la toma de decisiones.

Al combinar elementos sensores MEMS robustos con la inteligencia de Edge AI y el alcance de la conectividad LPWAN, los ingenieros pueden desarrollar sistemas que no solo son fiables, sino también significativamente más sostenibles. En un mundo que aspira a alcanzar las emisiones netas cero, escuchar la "respiración" de nuestros edificios mediante sensores de presión es una de las medidas más eficaces que podemos adoptar.

Adithya Madanahalli (izq.) y Ninad Mehta.

Autores

Ninad Mehta cuenta con un máster (M.Sc.) en Microsistemas y Nanosistemas por la Technische Universität Chemnitz (Alemania) y está especializado en sensores basados en grafeno. Durante un breve periodo, colaboró con la Oficina Europea de Patentes como asistente de examinador de patentes. En 2018 se incorporó a Würth Elektronik eiSos como Product Manager, donde desempeña un papel clave en el desarrollo y la evolución de las tecnologías de sensores de presión y temperatura.

Adithya Madanahalli se graduó con un máster (M.Sc.) en Ingeniería de las Comunicaciones por la Technical University of Munich. Tras finalizar sus estudios, desarrolló su carrera profesional durante varios años como ingeniero de software, especializado en tecnologías de conectividad inalámbrica y sistemas de sensores. Desde 2017, Madanahalli trabaja como ingeniero de IoT en Würth Elektronik eiSos, en la unidad de negocio de Conectividad Inalámbrica y Sensores. En este puesto, se dedica al diseño y desarrollo de soluciones IoT, con especial atención al hardware, al software embebido y a la seguridad de extremo a extremo.

Referencias

1. International Energy Agency (IEA), 'The Future of Cooling, 018': https://www.iea.org/reports/the-future-of-cooling
2.  US Department of Energy, 'Operations & Maintenance Best Practices: A Guide to Achieving Operational Efficiency.' https://www.pnnl.gov/main/publications/external/technical_reports/pnnl-19634.pdf
3. Sensores de presión diferencial de Würth Elektronik: 'Serie WSEN-PDMS': https://www.we-online.com/de/components/products/WSEN-PDMS
4. Sociedad Americana de Ingenieros de Calefacción, Refrigeración y Aire Acondicionado, 2015 ASHRAE Handbook: Heating, Ventilating, and Air-Conditioning Applications (I P Edition). ASHRAE, 2015.
5. M. Arowolo, 'Predictive Maintenance of Energy-Intensive Industrial Equipment Using IoT and Machine Learning Technologies', IOSR Journal of Mechanical and Civil Engineering (IOSR JMCE), vol. 22, no. 3, ser. 3, pp. 14–26, May–June 2025. https://www.iosrjournals.org/iosr-jmce/papers/vol22-issue3/Ser-3/C2203031426.pdf