Lista de comprobación de preparación de evidencias para el CBM de transformadores

El mantenimiento basado en la condición de transformadores de potencia no se consigue comprando una herramienta de IA. Se consigue haciendo que las evidencias del transformador sean lo bastante fiables como para que los ingenieros las utilicen.

Eso suena sencillo hasta que una empresa eléctrica, un TSO o un DSO intenta preparar un paquete de revisión real. Los informes de DGA pueden residir en un sistema. Las notas de inspección pueden almacenarse como PDF. Las mediciones de PRPD pueden necesitar contexto de calidad. Las trazas de SFRA pueden necesitar una línea base. El historial de mantenimiento puede estar en un CMMS. La criticidad del activo puede ser conocida por los planificadores, pero faltar en el archivo de diagnóstico. El transformador puede tener un identificador de placa de características claro en un sistema y un identificador ligeramente distinto en otro.

Aquí es donde resulta útil una lista de comprobación de evidencias de mantenimiento basado en la condición de transformadores. Ofrece al equipo un punto de partida práctico antes de pedir a la inteligencia artificial que resuma, compare o redacte el texto de planificación de mantenimiento.

Utilice el comprobador interactivo anterior como ayuda para definir el alcance, que se ejecuta únicamente en el cliente. No sube archivos, no envía a GridAPM los valores seleccionados en la herramienta ni diagnostica el estado del transformador. La analítica opcional del sitio, cuando se acepta, registra únicamente el uso a nivel de página y no recibe los valores seleccionados en la herramienta.

Por qué la preparación de evidencias precede a la asistencia de IA

Los sistemas de IA agéntica rinden más cuando operan dentro de flujos de trabajo acotados, con un acceso claro a las herramientas, criterios de éxito claros y revisión humana. El trabajo de OpenAI sobre agentes y las directrices de Anthropic sobre el diseño eficaz de agentes apuntan a la misma lección práctica: los agentes no son máquinas mágicas de veredictos, sino participantes en un flujo de trabajo.

Para el APM y el CBM de transformadores, esto significa que la IA debería ayudar a organizar las evidencias y a redactar el material de revisión solo después de que el equipo comprenda qué evidencias existen, de dónde proceden y quién puede aprobar el paquete de trabajo resultante.

El NIST AI Risk Management Framework ofrece un enfoque de gobernanza útil para este problema. El riesgo de la IA no puede gestionarse únicamente en la capa del modelo. Debe gestionarse en el flujo de trabajo: qué se permite hacer al sistema, qué revisan las personas, qué evidencias se conservan y qué límites se comunican.

GridAPM aplica ese patrón a los activos de tipo transformador. La orientación de la plataforma no es el control autónomo. Es un banco de trabajo de ingeniería con procesamiento local, revisado por personas, que ayuda a las empresas eléctricas a evaluar flujos de trabajo de APM y CBM centrados en las evidencias.

Matriz de preparación de evidencias del transformador

La matriz siguiente es una forma práctica de preparar un primer piloto. Es deliberadamente operativa: cada fila pregunta si las evidencias pueden revisarse, trazarse y convertirse en una conversación de planificación de mantenimiento.

Ámbito de la evidencia	Qué confirmar	Por qué importa para el CBM	Carencia habitual en el piloto
DGA y calidad del aceite	Fecha de muestreo, laboratorio de origen, unidades de gas, parámetros de calidad del aceite y continuidad de la tendencia.	El DGA puede plantear preguntas de revisión concretas cuando se interpreta con contexto y con una disciplina acorde a las normas.	Informes aislados sin suficiente contexto de tendencia o de mantenimiento.
PRPD y descargas parciales	Configuración de medición, canales, calidad de adquisición, supuestos de filtrado y archivos de origen.	Las evidencias de descargas parciales solo pueden ser valiosas cuando la calidad de medición y el contexto del ensayo son visibles.	Patrones interesantes con notas de configuración deficientes.
SFRA y ensayos eléctricos	Disponibilidad de línea base, traza de comparación, posición de toma, condiciones de ensayo e historial de eventos.	Las evidencias de respuesta en frecuencia dependen de una comparación significativa y del contexto mecánico.	Ausencia de una línea base fiable o configuración de ensayo poco clara.
Térmica y carga	Carga, modo de refrigeración, contexto ambiental, supuestos de punto caliente y periodo de operación.	El estrés térmico puede modificar la urgencia del mantenimiento y la interpretación del envejecimiento.	Existe historial de carga, pero no está alineado con los eventos de estado.
Inspecciones y notas de campo	Fotografías, observaciones, fugas, indicadores, alarmas, notas de pasatapas, notas del OLTC y acciones abiertas.	El contexto de campo a menudo explica por qué una señal es urgente, conocida, aplazada o ya mitigada.	Las notas están disponibles, pero no vinculadas a la cronología del activo.
Historial de mantenimiento	Órdenes de trabajo, registros de salidas de servicio, reparaciones, tratamiento del aceite, inspecciones y seguimientos sin resolver.	La planificación del CBM necesita saber qué se ha hecho ya y qué queda pendiente.	Los registros del CMMS son difíciles de combinar con las evidencias de diagnóstico.
Criticidad y consecuencia	Estrategia de repuestos, impacto de la salida de servicio, papel en la red, exposición ambiental y consecuencia para los clientes.	Unas evidencias de estado idénticas pueden dar lugar a prioridades de planificación distintas según la consecuencia.	Los datos de estado se revisan sin la criticidad del activo.
Procedencia y aprobación	Responsable de la fuente, marcas de tiempo, unidades, historial de versiones, rol del revisor, estado de aprobación y vía de escalado.	Los resúmenes asistidos por IA deben seguir siendo defendibles y editables por personas cualificadas.	Existen buenos datos, pero la responsabilidad de la aprobación no está clara.

Contexto normativo sin exagerar las afirmaciones

El trabajo de CBM de transformadores suele remitirse a normas y guías técnicas consolidadas, entre ellas IEEE C57.104 e IEC 60599 para el análisis de gases disueltos, IEC 60270 para las mediciones de descargas parciales, IEEE C57.149 para el análisis de respuesta en frecuencia de transformadores e IEC 60076-7 para las directrices de carga.

Un artículo público no debería pretender reproducir las normas, sustituir reglas de cálculo propietarias ni emitir interpretaciones de ingeniería definitivas. La mejor postura es utilizar las normas como contexto del flujo de trabajo de evidencias: qué mediciones importan, qué supuestos deben registrarse y qué revisor debería aprobar una decisión.

Esa es también la postura honesta de GridAPM. Los motores deterministas alineados con las normas solo deberían describirse allí donde estén implementados, verificados y aceptados para el alcance del piloto. Cuando una funcionalidad sea una vista previa de piloto o una capacidad de la hoja de ruta, el texto público debería indicarlo.

De la lista de comprobación de evidencias al alcance del piloto

Un primer piloto de GridAPM debería responder a una pregunta concreta:

¿Pueden las evidencias aprobadas del transformador convertirse en un paquete de trabajo más claro, más trazable y revisado por personas que el proceso manual actual del equipo?

Entre los buenos alcances de partida se incluyen:

• DGA más historial de mantenimiento para un grupo seleccionado de transformadores de alta criticidad.
• Revisión de la calidad de medición de PRPD antes de interpretar los patrones de descargas parciales.
• Revisión de las evidencias de línea base de SFRA tras un transporte, una falta o una preocupación mecánica.
• Revisión térmica/de carga y de inspección para transformadores envejecidos bajo un régimen de servicio modificado.
• Depuración de la procedencia de las evidencias antes de una planificación de mantenimiento asistida por IA más amplia.

Los malos alcances de partida suelen ser demasiado amplios. «Conectar todos los sistemas y predecir todos los fallos» suena ambicioso, pero hace que el piloto sea difícil de evaluar y fácil de exagerar.

La página de pilotos de GridAPM está diseñada para la vía más acotada: definir la población de activos, las entradas de evidencias, los roles de revisión, los entregables previstos y las métricas de éxito antes de ampliar.

Cómo puede ayudar GridAPM a las empresas eléctricas a prepararse

GridAPM ayuda a una empresa eléctrica, un TSO o un DSO a evaluar si las evidencias del transformador pueden circular por un flujo de trabajo de APM estructurado:

• Importar u organizar las evidencias aprobadas de los activos para un piloto controlado.
• Mantener visible el contexto de la fuente durante la revisión.
• Sacar a la luz fechas, unidades, procedencia y revisores que falten.
• Utilizar la IA para redactar resúmenes, preguntas y texto de planificación de mantenimiento.
• Exigir la aprobación del ingeniero antes de que las recomendaciones se conviertan en decisiones comunicables.
• Empaquetar los hallazgos en un paquete de evidencias de muestra para su revisión por las partes interesadas.

La descripción general de la plataforma explica su orientación como banco de trabajo. Las páginas de seguridad y tratamiento de datos describen los supuestos de despliegue público. El paquete de evidencias de muestra muestra cómo un comprador puede evaluar el tipo de resultado que cabe esperar de un piloto.

Este patrón también puede ayudar a las empresas de generación y a los equipos de activos eléctricos del sector del petróleo y el gas que gestionan grandes transformadores, pero este artículo se centra en las empresas eléctricas, los TSO y los DSO, porque su contexto de planificación de red y fiabilidad es el público principal de GridAPM.

El principio de la lista de comprobación

El principio práctico es sencillo:

La IA no debería compensar la falta de evidencias aparentando seguridad.

En el CBM de transformadores, el flujo de trabajo más creíble es el contrario. El sistema debería hacer visible la falta de evidencias, separar los hechos de la fuente del texto redactado por la IA y preservar la vía de aprobación. Eso es lo que convierte una funcionalidad de IA en un proceso de revisión de nivel profesional para empresas eléctricas.

Cuando las evidencias están listas, un piloto de GridAPM puede pasar de registros dispersos a un paquete de trabajo estructurado. Cuando las evidencias no están listas, el piloto todavía puede aportar valor al mostrar exactamente qué debe depurarse, vincularse o gobernarse antes de confiar en una asistencia de IA más amplia.