El sensor de 4 dólares que capturó lo que un sistema de 60,000 dólares no detectó: un viaje de 14 días hacia la inteligencia del congelador Walk-In
Un gerente regional de instalaciones que supervisa 23 supermercados en el sureste detectó una discrepancia inquietante: la factura energética subía aunque todos los controles parecían correctos. El congelador Walk-In de la tienda 47 consumía aproximadamente 18% más energía que equipos idénticos en otras ubicaciones. El contratista frigorista ya había revisado el compresor, el nivel de refrigerante y los registros de temperatura. Todos los parámetros estaban dentro de lo esperado: -23°C en régimen, variaciones mínimas. Sin embargo algo consumía energía y nadie encontraba la causa.
En Q2BSTUDIO, empresa especializada en desarrollo de software y aplicaciones a medida, inteligencia artificial, ciberseguridad y servicios cloud aws y azure, nos dedicamos a soluciones IoT cuando las respuestas no son evidentes. Nos pidieron 14 días para entender qué estaba ocurriendo realmente.
Lo que los sensores tradicionales registraban era correcto: un sensor central en el techo comprobaba temperatura cada 15 minutos y los datos eran impecables. Pero durante una visita in situ se observó algo que los registros no mostraban: la junta de la puerta se veía envejecida, no rota y no fallida de forma evidente, pero la goma no recuperaba su forma con la elasticidad necesaria.
El reto técnico era detectar la degradación progresiva de una junta antes de que fallara de forma visible. Eso no es un problema de un único umbral. La temperatura no cae en picado, sino que tarda un poco más en recuperarse tras una apertura. La humedad sube apenas unos puntos y lo hace de manera gradual. El desperdicio energético aumenta mes a mes en pequeños porcentajes. Para identificar ese patrón hacía falta entender relaciones entre señales, no solo lecturas aisladas.
Proponemos un experimento de 14 días con una plataforma de sensores que aprendiera lo normal y avisara cuando el comportamiento empezara a desviarse. Instalamos un conjunto económico y distribuido: seis nodos basados en ESP32 con sensores de temperatura y humedad tipo DHT22, dos sensores externos para monitorizar ambiente, cuatro internos a distintas alturas para mapear estratificación térmica, un detector de apertura de puerta por contacto reed y un micrófono MEMS para captar firmas acústicas de infiltración de aire. El coste total del hardware por nodo fue de aproximadamente 87 USD para el despliegue completo por puerta.
La clave fue ejecutar modelos TinyML en cada nodo. Cada dispositivo no solo almacenaba datos, sino que infería localmente sobre patrones multidimensionales: curvas de recuperación térmica tras aperturas de puerta, patrones de infiltración de humedad, firmas acústicas durante el cierre y correlaciones temporales entre sensores. No se trataba de medir temperatura, sino de interpretar cómo se comportaba la temperatura respecto a todo lo demás.
En los primeros tres días el sistema solo observó y construyó la línea base: 89 aperturas registradas, tiempos de recuperación térmica entre 4.2 y 5.8 minutos, picos de humedad de 2 a 4% que se normalizaban en pocos minutos y marcadas diferencias por horarios de reposición. El modelo no lanzó alertas, solo aprendió lo que era normal para ese congelador en esa tienda.
El día 4 se detectó la primera anomalía: una apertura breve de 12 segundos seguida de una recuperación que tardó 7.3 minutos frente a un esperado 5.1 minutos. El sistema lo marcó como evento atípico pero no alertó todavía. Entre los días 5 y 8 la anomalía se consolidó en patrón: los tiempos de recuperación fueron alargando progresivamente, la normalización de la humedad tardaba más y el micrófono captó una firma acústica de alta frecuencia durante el cierre, apenas audible pero consistente. Aislados, estos valores estaban dentro de rangos aceptables. En conjunto, el modelo los identificó como indicio de degradación de la junta.
El día 8 se generó la primera alerta indicando degradación incipiente y una estimación de 2 a 3 semanas hasta un impacto significativo. Tras una inspección manual el técnico confirmó que la junta había perdido alrededor de 30% de su capacidad de recuperación elástica. Todavía sellaba, pero ya no con la respuesta suficiente para evitar infiltraciones graduales de aire.
Durante los días 10 a 14 mantuvimos la monitorización para cuantificar el impacto. Comparando con una tienda control con junta en buen estado, el compresor de la tienda 47 funcionaba 2.8 horas más al día, es decir entre 15 y 18% de sobreciclo para compensar la entrada de calor. Con una tarifa de 0.12 USD por kWh y una carga de compresor estimada en 5 kW, eso supuso un coste energético desperdiciado de unos 50 a 65 USD mensuales. El modelo estimó que sin intervención la degradación alcanzaría fracaso funcional en 18 a 21 días, con coste adicional por energía, riesgo de llamada de emergencia y posible pérdida de producto. Programar el reemplazo durante mantenimiento rutinario evitó primas de servicio y redujo la energía desperdiciada a un coste simbólico hasta la reparación.
Lo que funcionó no fue una mejor sonda de temperatura sino hacer mejores preguntas. La monitorización tradicional responde a si la temperatura está dentro del rango. Nuestra aproximación pregunta cómo se comporta la temperatura en relación con ciclos de puerta, humedad, sonido y condiciones ambientales y detecta cuando ese comportamiento empieza a desviarse.
Técnicamente, el despliegue se basó en ESP32 WROOM, sensores DHT22, micrófono MEMS y reed switch, con modelos entrenados mediante herramientas de Edge Impulse. El modelo fue una red LSTM ligera que procesó curvas de recuperación, espectros acústicos y matrices de correlación temporal. El modelo final ocupó menos de 100 KB y las inferencias locales tardaban decenas de milisegundos, con consumo energético compatible con operación continua.
Al concluir los 14 días el gerente preguntó si la solución podía ampliarse a todas las tiendas y qué otros fallos podría detectar. La respuesta fue que el mismo enfoque empezó a revelar señales de degradación del compresor, bloqueo de flujo por apilado incorrecto de producto, desgaste de bisagras por cambios en la firma acústica y problemas de climatización externa que impactan el rendimiento del congelador. La plataforma dejó de ser solo detector de juntas para convertirse en un fabricante de firmas de comportamiento de activos frigoríficos.
En Q2BSTUDIO aprendemos que la tecnología adecuada no es la más espectacular sino la que resuelve el problema real. Podríamos haber propuesto visión artificial o instrumentos más caros, pero la combinación de sensores modestos, buena colocación y modelos de borde resultó ser la solución más temprana y rentable. Si necesitas software a medida o aplicaciones a medida para integrar datos del mundo físico con inteligencia embarcada, diseñamos y desplegamos la solución que mejor encaje con tus restricciones.
Tras la ampliación a la cadena, los resultados fueron claros: varias tiendas detectadas con degradación temprana y reparadas antes de que el fallo fuera visible, mantenimientos programados para compresores con eficiencia en declive, correcciones de apilado que mejoraron el flujo de aire y una línea base energética que permitió optimizaciones continuas. El balance anual incluyó ahorros significativos en reparaciones de emergencia, reducción del desperdicio energético y cero incidentes de pérdida de producto por fallos inesperados.
Este caso muestra por qué la inteligencia en el borde y la analítica de patrones son especialmente relevantes para organizaciones con activos distribuidos. No siempre es necesario TinyML para un negocio pequeño con un único congelador. Pero cuando gestionas decenas o cientos de unidades, donde la degradación gradual se oculta dentro de datos que parecen normales, la inversión en detección temprana produce retorno claro. Si tu organización necesita incorporar inteligencia artificial, agentes IA o soluciones de ia para empresas que detecten desviaciones sutiles y generen alertas accionables, en Q2BSTUDIO diseñamos desde modelos hasta integraciones con plataformas cloud, ciberseguridad y servicios inteligencia de negocio para convertir datos en decisiones.
La lección práctica es sencilla: pasar de reaccionar a prevenir requiere ver lo que ahora se considera invisible. La ventana de 14 días entre inicio de degradación y fallo funcional es donde se concentra el valor económico y operativo. Convertir pequeñas ineficiencias en datos procesables transforma el modelo de mantenimiento y mejora la eficiencia general.
Si gestionas activos críticos y notas que tus métricas dicen normal mientras el rendimiento se degrada, probablemente necesitas una aproximación que combine sensores adecuados, modelos en el borde y un plan de integración con tu plataforma de gestión. En Q2BSTUDIO unimos experiencia en desarrollo de software, servicios cloud aws y azure, ciberseguridad, servicios inteligencia de negocio y Power BI para ofrecer soluciones completas que van desde la captura de datos hasta su explotación. Ponte en contacto con nosotros para conversar sobre tu reto real y evaluar si un proyecto piloto de 14 días puede dar la visibilidad que hoy falta.
La junta del congelador de la tienda 47 fue solo el inicio. Lo que estaba oculto en datos normales es precisamente lo que, al hacerse visible, permite ahorrar, evitar incidentes y escalar buenas prácticas a toda la operación.