Edge vs. nube para el mantenimiento predictivo: cuándo usar cada enfoque
Edge vs. nube para el mantenimiento predictivo: cuándo usar cada enfoque
La falsa dicotomía
Cada proveedor de mantenimiento predictivo le dirá que su enfoque es el mejor. Los proveedores de edge afirman que la nube es demasiado lenta y cara. Los proveedores de nube afirman que el edge no puede gestionar modelos complejos. Ambos están equivocados —o más bien, ambos tienen razón en contextos específicos.
La pregunta real no es «¿edge o nube?». Es: «¿qué cómputo debe ejecutarse dónde y por qué?»
La matriz de decisión
| Factor | Edge | Nube | Híbrido | |---|---|---|---| | Requisito de latencia | <10 ms (crítico para la seguridad) | <500 ms (aceptable) | Mixto | | Conectividad | Intermitente/ninguna | Fiable | Variable | | Complejidad del modelo | Simple (IF, ONNX) | Complejo (LSTM, Transformer) | Ambos | | Volumen de datos | >100K puntos/s | Resúmenes agregados | Prefiltrado | | Regulatorio | Los datos no pueden salir del sitio | Región compatible con la nube | Procesado localmente, metadatos a la nube | | Coste a escala | CAPEX fijo | OPEX variable | Optimizado | | Frecuencia de actualización | Manual/programada | Continua | Escalonada |
Cuándo gana el edge
1. Latencia crítica para la seguridad
Un sistema de detección de surge en un compresor no puede esperar 200 ms a un viaje de ida y vuelta a la nube. En el momento en que llega la respuesta, el daño mecánico ya se ha producido.
Regla general: Si el requisito de tiempo de respuesta es inferior a 50 ms, debe ejecutarse en el edge. Sin excepciones.
Ejemplo real: Un compresor centrífugo que gira a 12.000 RPM completa una revolución completa en 5 ms. La detección de surge necesita activarse en 2-3 revoluciones. Eso son 10-15 ms — imposible en un viaje de ida y vuelta por red a la nube.
2. Conectividad poco fiable
Las plataformas petrolíferas offshore, las minas subterráneas, los centros de fabricación rurales y los equipos móviles (flotas, grúas, barcos) suelen tener conectividad intermitente. Su sistema PdM debe seguir funcionando cuando la red no está disponible.
Qué funciona en el edge:
- Detección de anomalías con Isolation Forest (modelo pequeño, inferencia rápida)
- Redes neuronales exportadas a ONNX (preentrenadas en la nube, desplegadas en el edge)
- Alertas basadas en reglas como fallback
- Almacenamiento en búfer local con sincronización al recuperar la conexión
3. Soberanía de datos
Algunos sectores (defensa, nuclear, farmacéutico) prohíben que los datos de sensores salgan de las instalaciones. La inferencia en el edge, enviando únicamente puntuaciones de salud agregadas a un panel centralizado, satisface tanto la necesidad de ML como el requisito de cumplimiento normativo.
4. Economía de ancho de banda
Un único sensor de vibración que muestrea a 25,6 kHz genera ~2 GB/día de datos en bruto. Multiplique eso por 200 sensores y obtendrá 400 GB/día — caro de enviar a la nube e innecesario para la mayoría de los casos de uso.
Preprocesamiento en el edge: Extraiga características localmente (RMS, curtosis, picos espectrales, frecuencias de rodamientos) y envíe el vector de características de 20 bytes en lugar de la forma de onda bruta de 200 KB. Eso supone una reducción de ancho de banda de 10.000 veces.
Cuándo gana la nube
1. Entrenamiento de modelos complejos
Entrenar un autoencoder LSTM o un modelo Transformer TranAD requiere cómputo GPU, grandes conjuntos de datos que abarcan meses de historial y optimización de hiperparámetros. Esto no ocurre en el edge.
El patrón:
- Los datos de sensores fluyen a la nube (en bruto o con características extraídas)
- Los modelos se entrenan en clústeres GPU (Ray Train, distribuido)
- Los modelos entrenados se exportan a ONNX
- Los modelos ONNX se despliegan en el edge para la inferencia
2. Aprendizaje entre activos
La capacidad de PdM más potente es aprender patrones en toda la flota. «La bomba 7A en la planta de Chicago muestra el mismo patrón de degradación que precedió al fallo de la bomba 3B en la planta de Munich el mes pasado.»
Esto requiere datos centralizados de todos los activos — lo que significa nube. Los dispositivos edge solo ven sus sensores locales.
3. Analítica avanzada
- Análisis de causa raíz: Los grafos causales PCMCI necesitan datos de múltiples sensores y activos relacionados
- Vida útil restante: Los modelos Weibull-RNN con intervalos de confianza necesitan datos históricos de fallos
- Explicaciones por atribución de características: El cómputo de las contribuciones por característica para la explicabilidad es costoso en términos de procesamiento
- Gemelos digitales: Los modelos informados por física requieren entornos de simulación centralizados
4. Paneles multiplanta
Un VP de Operaciones necesita una vista única de 15 plantas, 3.000 activos y 20.000 sensores. Eso es un problema de nube — agregación, visualización y control de acceso basado en roles a escala.
La arquitectura híbrida
Los mejores sistemas PdM utilizan ambas opciones. Así funcionan las capas:
Capa 1: Sensor → Edge Gateway (μs)
- Acondicionamiento de señal, muestreo, FFT
- Paradas de seguridad inmediatas (cableado fijo, no por software)
Capa 2: Edge Agent (ms)
- Extracción de características (estadísticas móviles, características espectrales)
- Inferencia de modelo ONNX (puntuación de anomalía, clase de fallo básica)
- Alertas locales (SMS, salida de relé, HMI local)
- Almacenamiento en búfer de datos para carga por lotes
Capa 3: Plataforma en la nube (segundos)
- Pipeline ML completo (LSTM, TranAD, Weibull-RNN, CNN)
- Reconocimiento de patrones entre activos
- Explicaciones por atribución de características
- Predicción de RUL con intervalos de confianza
- Panel, informes, integración con CMMS
Capa 4: Cloud ML Ops (horas/días)
- Reentrenamiento de modelos sobre datos acumulados
- Pruebas A/B de nuevas versiones de modelos
- AutoML para ajuste fino específico por inquilino
- Exportación ONNX → despliegue en edge
Flujo de datos en la práctica
- Vibración a 12 kHz → FFT en edge → 256 bins espectrales → nube (cada 10 segundos)
- Temperatura/presión a 1 Hz → estadísticas móviles en edge → nube (cada 60 segundos)
- Puntuación de anomalía en el edge → nube (en tiempo real vía MQTT) → panel
- Predicción LSTM en la nube → Alert Engine → PagerDuty/ServiceNow
Optimización de costes
El enfoque híbrido no solo es técnicamente superior — también es más económico:
| Arquitectura | Coste mensual (200 activos) | Latencia | Capacidad offline | |---|---|---|---| | Solo nube | ~€2.400 (cómputo + ancho de banda) | 200-500 ms | No | | Solo edge | ~€8.000 (CAPEX de hardware amortizado) | <10 ms | Sí | | Híbrido | ~€1.800 (ancho de banda reducido + nube más pequeña) | <10 ms local, <500 ms nube | Parcialmente |
El ahorro de ancho de banda gracias al preprocesamiento en el edge suele amortizar el hardware de edge en 6 meses.
Cómo elegir su arquitectura
Empiece con la nube si:
- Tiene conectividad fiable (>99% de disponibilidad)
- Su requisito de latencia es >100 ms
- Tiene <50 activos (el CAPEX de hardware edge no se justifica)
- Quiere el menor tiempo hasta obtener valor
Empiece con el edge si:
- Tiene conectividad poco fiable o nula
- Tiene requisitos de latencia críticos para la seguridad (<50 ms)
- Los datos no pueden salir de sus instalaciones
- Ya dispone de edge gateways (Raspberry Pi, Siemens IOT2050, etc.)
Empiece con un enfoque híbrido si:
- Tiene 50+ activos en múltiples sitios
- Necesita tanto respuesta local rápida COMO analítica avanzada en la nube
- Quiere aprendizaje entre activos con resiliencia local
El enfoque de Prevly
Prevly soporta las tres arquitecturas:
- Despliegue en el edge: Agente edge autónomo con inferencia ONNX, panel local y sincronización por lotes en parquet — para instalaciones que necesitan autonomía on-premise y soberanía de datos.
- Despliegue en la nube: SaaS en la nube completo con todos los modelos ML, explicabilidad, predicción de RUL e integraciones.
- Despliegue híbrido: Agentes edge más la plataforma en la nube — aprendizaje a escala de flota con resiliencia local.
Consulte los precios actuales para conocer los planes vigentes y lo que incluye cada nivel.
El agente edge se ejecuta en cualquier dispositivo Linux con Python 3.10+ — desde una Raspberry Pi 5 de €35 hasta un gateway industrial Advantech. Los modelos se entrenan en la nube y se despliegan en el edge automáticamente mediante exportación ONNX.
Porque la respuesta correcta a «¿edge o nube?» es casi siempre «sí».
Lecturas relacionadas: PdM on-premise vs. nube · Monitorización OPC-UA de solo lectura · Desarrollar vs. comprar PdM