ENCE buscaba optimizar sus procesos de mantenimiento preventivo y la gestión de sus GAMAS (planes de mantenimiento) mediante un enfoque progresivo apoyado en datos. La compañía cuenta con una gran escala operativa, gestionando unos 26.000 activos agrupados en 5 grandes familias, con 900 GAMAS de mantenimiento y registrando una media de 16.000 a 18.000 intervenciones anuales.

El reto principal radicaba en el desalineamiento entre las GAMAS de mantenimiento estáticas y la realidad operativa de los activos. Esta falta de ajuste provocaba paradas no planificadas que impactaban directamente en la producción. Se requería evolucionar hacia un sistema capaz de priorizar intervenciones en activos con mayor riesgo operativo basándose en su condición real, optimizando así el backlog anual de mantenimiento.

La solución exigía la integración operativa de múltiples sistemas de información dispersos: datos históricos de incidencias y órdenes de trabajo provenientes del GMAO (SAP), la base de conocimiento de mantenimiento de ENCE, señales de telemetría de activos (más de 50.000 señales del System PI) y sistemas de monitorización de vibraciones (SKF). Todo ello debía converger en una nueva infraestructura escalable en la nube (Data Lake Industrial en AWS).

GALEO diseñó un sistema end-to-end compuesto por tres bloques: primero, un motor analítico de fiabilidad basado en históricos (MTBF/Reliability) y monitorización predictiva de condición; segundo, agentes de Inteligencia Artificial (AI Agents) con bases de datos vectoriales (RAG) que evalúan alertas y proponen cambios de frecuencia o tareas en las GAMAS; y tercero, un entorno de supervisión asistida para que los expertos validen e implementen estos cambios en SAP.

El sistema generó un impacto económico directo, con un ahorro estimado de entre 150.000€ y 200.000€ anuales derivados de la reducción de pérdidas por paradas no planificadas. Además, supuso la creación de la primera versión del Data Lake Industrial de ENCE, una infraestructura totalmente escalable y reutilizable para futuros casos de uso.

Destacan el panel de control de salud de activos (Asset Health Dashboard), el sistema de alertas predictivas y de fiabilidad, el agente de evaluación de mantenimiento impulsado por IA generativa y la interfaz interactiva tipo chat para la exploración de datos y validación de protocolos.