IoT industrial (IIoT): sensorización de fábricas y campos

IoT en industria no es lo mismo que IoT en una casa. Las exigencias de robustez, latencia, seguridad y escala son distintas. Y los beneficios —cuando el proyecto se hace bien— son medibles: menos paradas no programadas, menor consumo, mejor calidad, decisiones basadas en datos.

Este post resume cómo se arma una solución de IoT industrial, qué tecnologías hay para elegir y dónde están los riesgos típicos.

Qué es IIoT

Wikipedia define Industrial Internet of Things como “sensores interconectados, instrumentos y otros dispositivos en red junto con computadoras para aplicaciones industriales, permitiendo recolección de datos, intercambio y análisis para mejorar productividad y eficiencia” (fuente).

Diferencia con IoT consumer:

• Robustez: ambientes hostiles (temperatura, vibración, humedad, polvo), grado IP alto, sellos contra explosiones (ATEX).
• Latencia: en algunos casos críticos, sub-milisegundos (por ejemplo, control de máquinas).
• Vida útil: dispositivos diseñados para 7-15 años, no para reemplazo cada 2 años.
• Determinismo: en redes industriales, el tiempo importa tanto como el dato.
• Seguridad: la red de planta no se puede caer porque alguien hizo una update de seguridad mal pensada.

Arquitectura típica

[Sensores en planta / campo]
    |
[Edge gateway: agrega, normaliza, opcionalmente procesa]
    |
[Conectividad: LAN industrial, celular, LPWAN, satélite]
    |
[Plataforma cloud o servidor on-prem]
    |
[Dashboards, alertas, modelos predictivos, integración con ERP/MES]

Wikipedia describe cuatro capas: dispositivos, red, servicio, contenido (fuente). Cada capa tiene decisiones técnicas distintas.

Capa de dispositivos / sensores

Los sensores típicos en IIoT:

• Temperatura y humedad: PT100, termocuplas, sensores capacitivos.
• Vibración: acelerómetros MEMS para monitoreo de motores y bombas.
• Presión: transmisores 4-20 mA o digitales.
• Caudal: ultrasónicos, electromagnéticos, vortex.
• Nivel: radar, ultrasónico, capacitivo.
• Consumo eléctrico: medidores con CT clamps por circuito.
• Calidad de aire: CO₂, VOCs, PM2.5/PM10.
• GPS y telemetría móvil: para flotas y maquinaria móvil.
• Visión: cámaras industriales con procesamiento en edge.

La elección depende del proceso: sensores baratos para variables no críticas, sensores certificados (con calibración trazable) para variables que afectan calidad o seguridad.

Capa de red

Cableado

Estándares industriales:

• PROFINET, EtherCAT, Ethernet/IP: redes deterministas para automatización (PLC, drives).
• Modbus TCP: integración con medidores y equipos legacy.
• OPC UA: (Wikipedia) protocolo abierto desarrollado en 2006 que permite “comunicación segura y remota entre dispositivos, programas y fuentes de datos sin necesidad de intervención humana”. Es el estándar de facto para integración entre sistemas industriales.

Wireless

• Wi-Fi industrial: para tablets, terminales móviles, sensores con energía suficiente.
• LoRaWAN: (Wikipedia LoRa) red LPWAN (Low-Power Wide-Area Network) para sensores con consumo muy bajo y rangos de hasta varios kilómetros. Ideal para campo, agricultura, monitoreo distribuido.
• NB-IoT y LTE-M: redes celulares optimizadas para IoT con buena cobertura y latencia razonable.
• Sigfox: alternativa LPWAN.
• 5G (en zonas con cobertura): baja latencia, alta densidad de dispositivos.
• Satélite (Starlink, Iridium, Swarm): para sitios sin cobertura terrestre.

Para una explotación agrícola en zona aislada, LoRaWAN + gateway con uplink celular o satelital es la combinación más razonable. Para una fábrica, redes industriales cableadas para control + Wi-Fi industrial para móviles + sensores LoRa para variables no críticas.

Capa de procesamiento

Edge

El edge gateway procesa cerca de los sensores. Razones:

• Latencia: alarmas críticas no pueden esperar al cloud.
• Ancho de banda: enviar 1000 muestras/segundo por sensor a cloud sale carísimo.
• Resiliencia: si se cae internet, la fábrica sigue.
• Privacidad: datos sensibles que no deben salir.

Tareas típicas en edge:

• Filtrado y agregación de datos (en lugar de mandar 1000 muestras, mandar 1 promedio cada minuto + outliers).
• Cálculo de KPIs (OEE, eficiencia energética, tasa de rechazo).
• Detección de anomalías locales con modelos pre-entrenados.
• Buffering cuando se cae el uplink.

Cloud / on-prem

Donde se hacen:

• Histórico largo plazo.
• Entrenamiento de modelos.
• Dashboards corporativos.
• Integración con ERP/MES.
• Alertas multi-sitio.

Plataformas comunes: AWS IoT, Azure IoT, Google Cloud IoT, ThingsBoard (open-source), Ignition by Inductive Automation, soluciones específicas verticales.

Casos de uso comprobados

Mantenimiento predictivo

El más maduro y rentable. Wikipedia indica que IIoT con IA y ML “puede reducir costos de mantenimiento hasta 30% y eliminar averías hasta 70%” en escenarios donde se aplica (fuente).

Caso típico: motores eléctricos con sensores de vibración. Algoritmos detectan firma de desbalance, desalineación o desgaste de rodamientos semanas antes de la falla. El equipo se interviene en parada planificada en lugar de en falla catastrófica.

Monitoreo de cadena de frío

Sensores en cámaras frigoríficas, camiones y depósitos. Alarmas cuando temperatura o humedad sale de rango. Trazabilidad completa para auditorías sanitarias o de calidad.

OEE y eficiencia productiva

Sensores en máquinas que reportan estado (corriendo, en falla, en setup). Cálculo automático de OEE (Overall Equipment Effectiveness): disponibilidad × performance × calidad. Identificación de cuellos de botella, modos de falla recurrentes, oportunidades de mejora.

Agricultura de precisión

Sensores de humedad de suelo, estaciones meteorológicas, sensores de nutrientes en lotes. Riego variable según necesidad real. Aplicación de fertilizantes solo donde hace falta. Ahorro de agua y agroquímicos cuantificable.

Energía y sustentabilidad

Sub-metering en cada circuito grande de planta. Identificación de líneas con consumo anómalo. Optimización de demanda contratada y horario de operación.

Seguridad operacional

Sensores de gas (CO, CH₄, H₂S), detección de presencia de personal en zonas peligrosas, telemetría de equipos de protección personal en industria pesada.

Industria 4.0

Wikipedia ubica el IIoT como “el cimiento tecnológico para Industria 4.0” (fuente Industry 4.0), junto con análisis avanzado, robótica colaborativa, manufactura aditiva y simulación. La Industrial Internet Reference Architecture (IIRA) provee marcos estandarizados para implementación.

En la práctica, “Industria 4.0” en una PYME industrial argentina suele significar:

• Recuperar datos de máquinas que ya tienen PLCs.
• Centralizar información de mantenimiento y producción.
• Empezar con un caso piloto medible.
• Ir escalando a más equipos según ROI.

No es “robotizar todo”: es dejar de operar a ciegas.

Riesgos y desafíos

Ciberseguridad OT

Las redes industriales (OT, Operational Technology) tradicionalmente eran air-gapped: aisladas de internet. IIoT las conecta, lo que abre superficie de ataque.

Mitigaciones:

• Segmentación estricta entre IT y OT (firewall industrial, DMZ entre ambas).
• Comunicación unidireccional (data diodes) cuando es posible.
• Autenticación fuerte en todos los dispositivos.
• Patcheo regular pero probado antes de aplicar (no se actualiza un PLC en producción sin plan).
• Monitoreo específico de tráfico industrial (IDS especializado).

Datos sin valor

Sensorizar todo no genera valor por sí mismo. Si los datos no se transforman en decisiones, son cuentas por almacenamiento y nada más. Empezar siempre con un caso de uso medible, no con sensorización por sensorización.

Vendor lock-in

Plataformas cloud propietarias atan los datos. Mitigación: usar protocolos abiertos (OPC UA, MQTT), exportar datos crudos a almacenamiento neutral, mantener capacidad de cambiar de plataforma.

Escalabilidad y costos

100 sensores con 1 medición por minuto generan 144.000 puntos por día por sitio. Con 10 sitios, 1.4M puntos/día. La cuenta cloud crece rápido. Diseñar agregación en edge, retención por niveles (raw para 30 días, agregado para 5 años).

Cómo arrancar (orientación pragmática)

1. Identificar un caso de uso doloroso y medible: una falla recurrente, un consumo opaco, una métrica que nadie controla.
2. Hacer baseline manual: medir el problema con instrumental tradicional durante 1-2 meses.
3. Diseñar piloto acotado: 5-20 sensores en un sub-sistema, no toda la planta.
4. Elegir tecnología por encaje, no por moda: a veces lo correcto es Modbus + un script Python en una Raspberry Pi.
5. Medir el ROI del piloto durante 3-6 meses.
6. Escalar lo que funcionó, descartar lo que no.

Conclusión

IIoT no es comprar sensores. Es diseñar un sistema que combine sensores robustos, redes adecuadas (cable, LoRaWAN, celular, satélite según el caso), procesamiento en edge y cloud, y casos de uso definidos antes de la primera instalación. Mantenimiento predictivo, OEE, monitoreo de cadena de frío y agricultura de precisión son donde más empresas reportan ROI medible. Lo que separa un proyecto exitoso de uno abandonado es la disciplina de empezar chico, medir y escalar lo que funciona.

Fuentes y referencias

• Wikipedia — Industrial Internet of Things
• Wikipedia — OPC Unified Architecture
• Wikipedia — LoRa
• Wikipedia — Industry 4.0

Fuentes

• Wikipedia — Industrial Internet of Things
• Wikipedia — OPC UA
• Wikipedia — LoRa / LPWAN
• Wikipedia — Industry 4.0