La historización industrial no es solo almacenar datos: es capturar, almacenar y consultar datos generados de forma continua por sensores, PLCs, buses de campo o sistemas SCADA a lo largo del tiempo. Estos datos son fundamentales para el análisis de operaciones, mantenimiento predictivo, eficiencia energética y dashboards de KPI en tiempo real.
Sin embargo, surge una pregunta técnica recurrente:
¿Conviene usar una base de datos tradicional SQL o una especializada en series temporales (Time Series Database o TSDB)?
La respuesta depende del tipo de datos, frecuencia de adquisición, arquitectura OT/IT y los objetivos analíticos.
¿Qué es una base de datos de series temporales?
Una Time Series Database (TSDB) está optimizada para almacenar, indexar y consultar grandes volúmenes de datos ordenados por tiempo. Es común en entornos donde se generan registros constantemente: temperatura, presión, energía, vibraciones, producción, etc.
Ejemplos de TSDB industriales incluyen InfluxDB, TimescaleDB, entre otros.
Diferencias clave entre Time Series DB y SQL
| Característica | Base de datos SQL | Base de datos de series temporales |
|---|---|---|
| Modelo | Relacional (tablas) | Timestamp + valor + etiquetas |
| Escritura masiva | Menos eficiente | Altamente optimizada |
| Compresión | Limitada | Compresión nativa orientada a tiempo |
| Consultas históricas | Necesita optimización | Instantáneas, por rango temporal |
| Agregaciones por tiempo | Necesita JOINs y funciones | Funciones nativas: mean(), sum(), moving_avg() |
| Casos típicos | ERP, MES, trazabilidad | Historian, sensores, variables críticas |
¿Dónde rinde mejor cada tipo?
TSDB es la mejor opción cuando:
- Alta frecuencia de adquisición (cada 1 segundo o menos)
- Grandes volúmenes (miles de puntos por segundo)
- Se requieren cálculos de mantenimiento predictivo, analítica en streaming o edge computing.
- Los dashboards requieren tendencias de alta resolución para la eficiencia energética en tiempo real (seguimiento continuo de consumos, demanda y eficiencia de los equipos).
- Arquitecturas basadas en data pipeline, cloud historian, broker MQTT
Ejemplo: medir consumo kWh por línea cada 2 segundos desde múltiples sensores inalámbricos y enviarlos por gateway edge.
SQL es adecuado cuando:
- Datos transaccionales, logísticos o de gestión
- Las consultas relacionan múltiples tablas (ej.: órdenes, inventario, calidad)
- Baja frecuencia (1 vez por hora o al final del turno)
- Reportes integrados con ERP o MES clásico.
Ejemplo: trazabilidad de órdenes de producción, información de operador, lote, receta y turno en tabla relacional.
¿Y si combinamos ambos?
La tendencia actual en minería, manufactura y energía es clara:
Arquitecturas híbridas que integran TSDB + SQL, cada una donde aporta más valor.
Una arquitectura moderna de historización industrial puede integrar lo mejor de ambos mundos:
- Captura en tiempo real con TSDB local (edge historian)
- Consolidación corporativa en SQL o data lakehouse para reportes gerenciales
- Exposición de los datos del Historian hacia un UNS con data lineage garantizado por flujos DataOps orquestados por una capa de integración
- Acceso desde plataformas de visualización, analítica prescriptiva o algoritmos predictivos.
Factores críticos para decidir
| Criterio | Considerar |
|---|---|
| Frecuencia de adquisición | Si es <5s, usar TSDB |
| Volumen de puntos por segundo | Si es >1.000, usar TSDB |
| Horizonte de consulta | Históricos profundos (TSDB); agregados (SQL) |
| Recursos del sistema | TSDB suele requerir menos disco gracias a la compresión de series |
| Requerimientos de visualización | Series: TSDB. KPIs y cuadros: SQL o Power BI |
La elección entre Time Series DB y SQL no es excluyente. En la historización industrial moderna —particularmente en fábricas multisite— lo óptimo es una arquitectura híbrida que utilice cada motor donde aporta más valor, garantizando datos confiables, trazables y listos para proyectos de:
- Optimización energética
- Mantenimiento prescriptivo
- What-if analysis y gemelos digitales
- Benchmarking entre plantas multisite
- Automatización DataOps de punta a punta
Y sobre todo, avanzar en una estrategia de datos Industrial DataOps, basada en calidad, escalabilidad y gobernanza desde el origen OT hasta la nube.