Anticipamos las fallas de tu planta antes de que sucedan.

Una falla no llega de un día para otro.

Una desalineación, un rodamiento gastado o una pieza suelta se anuncian semanas antes en la firma eléctrica del equipo: pequeñas variaciones de corriente y torque que un operador no puede ver a simple vista, pero que un modelo entrenado sí reconoce. Los rodamientos por sí solos explican alrededor del 41-42% de las fallas de motor, según los estudios de referencia de IEEE y EPRI.

Del sensor a la alerta, en cuatro pasos.

Hoy leemos las señales que el variador de frecuencia ya reporta por Modbus, con un puente en laptop. El siguiente paso lleva todo al tablero y a la nube: un nodo ESP32 dentro del gabinete toma los datos del variador junto con sensores de vibración y de temperatura, y los publica directo a AWS — sin PC de por medio, con Node-RED y el modelo corriendo del lado de Amazon.

7 clases de diagnóstico.

Un estado saludable y tres modos de falla, cada uno en dos niveles de severidad.

Con los créditos, esto es lo siguiente.

Hoy: dos bancos de prueba en laboratorio, con datos reales de motores WEG y SINOVO SD600 corriendo sobre AWS. El siguiente paso es el primer piloto en planta — y es exactamente lo que financian los créditos.

Un nodo ESP32 por máquina Reemplazar el puente en laptop por una tarjeta ESP32 dentro del tablero, alimentada del mismo gabinete: lee variador, vibración y temperatura, y publica sola a AWS IoT Core.

Más máquinas conectadas Escalar de 2 bancos de prueba a varios motores reales por AWS IoT Core, cada uno con su propio certificado.

Inferencia en AWS Lambda Mover la evaluación del modelo LSTM de la laptop a Lambda, para que el diagnóstico corra sin depender de una PC encendida.

Versionado de modelos en S3 Guardar cada modelo entrenado y reentrenarlo automáticamente a medida que entran más datos reales de planta.

Node-RED en la nube de AWS Hoy Node-RED corre en una laptop junto al banco de pruebas. Con los créditos pasa a una instancia en AWS, encendida 24/7 y accesible desde cualquier planta, con el código de la red neuronal al lado de los datos.

Alertas por Telegram y WhatsApp La alerta llega directo al celular del encargado de mantenimiento, no solo a un panel que alguien tiene que estar mirando.

Reportes con IA generativa El panel en vivo ya genera con Claude un resumen del estado en lenguaje simple; el siguiente paso es extender ese mismo resumen a cada alerta, no solo al panel.

Construido sobre AWS.

Dónde encaja.

El monitoreo de condición se hace hoy por rutas: un especialista va a planta, mide vibración, temperatura o lubricante, y vuelve semanas después. Entre una medición y la siguiente, la máquina queda sin vigilancia. Nosotros hacemos ese mismo diagnóstico de forma continua, las 24 horas, sobre cualquier motor crítico gobernado por variador o PLC: si ya reporta por Modbus o EtherNet/IP, se conecta sin cambiar el tablero ni detener la línea.

El equipo detrás.

Tres perfiles que la industria ya busca por separado, trabajando juntos en un solo sistema.