{"id":83639,"date":"2025-09-08T09:01:24","date_gmt":"2025-09-08T08:01:24","guid":{"rendered":"https:\/\/www.dimomaint.com\/es\/?p=83639"},"modified":"2025-09-08T09:01:24","modified_gmt":"2025-09-08T08:01:24","slug":"machine-learning-mantenimiento","status":"publish","type":"post","link":"https:\/\/www.dimomaint.com\/es\/blog\/machine-learning-mantenimiento\/","title":{"rendered":"Machine Learning y Mantenimiento: anticipar fallas antes de que ocurran"},"content":{"rendered":"<p>El Machine Learning ya no es un experimento. Se est\u00e1 integrando de manera progresiva en herramientas avanzadas de mantenimiento, especialmente para anticipar aver\u00edas. Antes de entrar en los aspectos t\u00e9cnicos, conviene entender qu\u00e9 aporta esta tecnolog\u00eda en un entorno industrial y c\u00f3mo se enmarca dentro de un enfoque m\u00e1s amplio de <a href=\"\/es\/blog\/guia-mantenimiento-predictivo\/\">mantenimiento predictivo.<\/a><\/p>\n<h2>\u00bfCu\u00e1l es el potencial del Machine Learning en el mantenimiento?<\/h2>\n<h3>Un enfoque predictivo basado en datos<\/h3>\n<p>A diferencia de los enfoques tradicionales \u2014mantenimiento correctivo, preventivo o incluso condicional\u2014, el Machine Learning permite actuar antes de que aparezcan signos visibles de desgaste o degradaci\u00f3n. Mientras que el mantenimiento condicional se apoya en umbrales f\u00edsicos simples (temperatura, vibraci\u00f3n, presi\u00f3n\u2026), el ML explota correlaciones complejas aprendidas a partir de millones de l\u00edneas de datos recopilados.<\/p>\n<p>Este poder de an\u00e1lisis se alimenta de historiales de funcionamiento, ciclos de uso de la m\u00e1quina, alertas previas y condiciones ambientales. El modelo estad\u00edstico entrenado no espera a que un valor supere un l\u00edmite: anticipa trayectorias an\u00f3malas.<\/p>\n<h3>Detecci\u00f3n de anomal\u00edas vs. predicci\u00f3n de fallos: dos enfoques que a menudo se confunden.<\/h3>\n<p><img fetchpriority=\"high\" decoding=\"async\" class=\"size-full wp-image-83656 alignright\" src=\"https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/un-enfoque-predictivo-basado-en-datos.png\" alt=\"Un enfoque predictivo basado en datos\" width=\"360\" height=\"400\"><\/p>\n<ul>\n<li><strong>Detecci\u00f3n de anomal\u00edas<\/strong>: identificar un comportamiento inusual respecto al funcionamiento normal (valor at\u00edpico, secuencia incoherente). Se\u00f1ala una desviaci\u00f3n, pero no informa sobre su impacto ni sobre c\u00f3mo evolucionar\u00e1.<\/li>\n<li><strong>Predicci\u00f3n de fallos:<\/strong> modela la probabilidad de que ocurra un evento cr\u00edtico (aver\u00eda, rotura, parada) a partir de tendencias, contextos de uso y ejemplos pasados. Proyecta en el tiempo e introduce la noci\u00f3n de gravedad. Un modelo eficaz para mantenimiento predictivo suele combinar ambos: anomal\u00edas para avisar de manera temprana, predicci\u00f3n para priorizar.<\/li>\n<\/ul>\n<h3>Lo que el ML permite (y lo que no)<\/h3>\n<p>El ML no se limita a activar una alarma en caso de desviaci\u00f3n puntual. Puede identificar derivas lentas y progresivas, imperceptibles al ojo humano o a simples umbrales configurados. Por ejemplo: un ligero aumento c\u00edclico de la temperatura de un motor, que nunca llega a sobrepasar el l\u00edmite de alerta, puede interpretarse como el inicio de un desalineamiento. Este tipo de se\u00f1ales d\u00e9biles es justamente lo que el ML aprende a detectar.<\/p>\n<p>Sin embargo, no es una panacea. <strong>El ML solo es \u00fatil si la calidad y cantidad de datos son suficientes. No puede \u201cinventar\u201d patrones de fallo si la m\u00e1quina es nueva, si los sensores est\u00e1n ausentes o mal calibrados, o si el entorno de uso es demasiado variable y mal descrito.<\/strong><\/p>\n<h3>Un cambio de mentalidad para los equipos de mantenimiento<\/h3>\n<p><img decoding=\"async\" class=\" wp-image-83659 alignleft\" src=\"https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/un-cambio-de-mentalidad-para-los-equipos-de-mantenimiento.png\" alt=\"Un cambio de mentalidad para los equipos de mantenimiento\" width=\"293\" height=\"334\" srcset=\"https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/un-cambio-de-mentalidad-para-los-equipos-de-mantenimiento.png 494w, https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/un-cambio-de-mentalidad-para-los-equipos-de-mantenimiento-360x410.png 360w\" sizes=\"(max-width: 293px) 100vw, 293px\" \/><\/p>\n<p>El Machine Learning no solo revoluciona el tratamiento de datos, sino el propio enfoque del mantenimiento. Ya no se trata de intervenir al aparecer un s\u00edntoma, sino de detectar comportamientos an\u00f3malos antes de que el s\u00edntoma se haga visible.<\/p>\n<p>Esto exige que los equipos abandonen la l\u00f3gica de umbrales fijos y adopten una lectura din\u00e1mica de los activos, a menudo acompa\u00f1ada de interfaces visuales o herramientas de apoyo a la decisi\u00f3n. Tambi\u00e9n implica una colaboraci\u00f3n m\u00e1s estrecha entre perfiles operativos y analistas de datos: el modelo solo aporta valor si se entiende y valida sobre el terreno.<\/p>\n<h3>Una tecnolog\u00eda al servicio de la estrategia industrial<\/h3>\n<p>En muchos sectores (petroqu\u00edmico, ferroviario, alimentario\u2026), el reto ya no es solo optimizar la disponibilidad de los activos, sino garantizar su integridad a largo plazo. El Machine Learning cobra todo su sentido cuando permite ampliar intervalos de mantenimiento, priorizar intervenciones o planificar paradas t\u00e9cnicas en el momento m\u00e1s oportuno.<\/p>\n<h2>C\u00f3mo aprende la IA a reconocer las se\u00f1ales d\u00e9biles de fallo<\/h2>\n<p><a href=\"\/es\/blog\/ia-mantenimiento-preventivo\/\">La IA<\/a>, y m\u00e1s concretamente el Machine Learning, transforma la forma en que los responsables de mantenimiento detectan aver\u00edas. Ya no se limita a alertas basadas en umbrales fijos: procesa conjuntos de datos complejos para descubrir anomal\u00edas sutiles, invisibles al ojo humano.<\/p>\n<p><strong>Aprendizaje supervisado:<\/strong> entrenar la IA con datos hist\u00f3ricos de fallos para que asocie patrones concretos con eventos de aver\u00eda.<\/p>\n<p><img decoding=\"async\" class=\" wp-image-83660 alignleft\" src=\"https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/como-aprende-la-ia-a-reconocer-las-senales-debiles-de-fallo.png\" alt=\"C\u00f3mo aprende la IA a reconocer las se\u00f1ales d\u00e9biles de fallo\" width=\"102\" height=\"97\" srcset=\"https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/como-aprende-la-ia-a-reconocer-las-senales-debiles-de-fallo.png 2276w, https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/como-aprende-la-ia-a-reconocer-las-senales-debiles-de-fallo-360x344.png 360w, https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/como-aprende-la-ia-a-reconocer-las-senales-debiles-de-fallo-710x678.png 710w, https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/como-aprende-la-ia-a-reconocer-las-senales-debiles-de-fallo-768x733.png 768w, https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/como-aprende-la-ia-a-reconocer-las-senales-debiles-de-fallo-1536x1466.png 1536w, https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/como-aprende-la-ia-a-reconocer-las-senales-debiles-de-fallo-2048x1954.png 2048w\" sizes=\"(max-width: 102px) 100vw, 102px\" \/><\/p>\n<p>\u00a0<\/p>\n<p><strong>Aprendizaje no supervisado:<\/strong> \u00fatil cuando apenas hay datos de fallos; el algoritmo identifica comportamientos an\u00f3malos sin etiquetas, permitiendo una detecci\u00f3n temprana.<\/p>\n<p>\u00a0<\/p>\n<p><strong>Aprendizaje por refuerzo:<\/strong> aunque menos usado, tiene gran potencial. Simula escenarios de mantenimiento para ayudar a la IA a decidir c\u00f3mo reducir costes y mejorar la eficacia de las intervenciones.<\/p>\n<h3>Los retos del aprendizaje autom\u00e1tico en mantenimiento<\/h3>\n<p>Pese a sus ventajas, integrar IA en mantenimiento no est\u00e1 exento de dificultades: Calidad de los datos: sensores mal calibrados o informaci\u00f3n incompleta reducen el rendimiento de los modelos. Interpretabilidad: los modelos deben ser comprensibles para que los equipos conf\u00eden en ellos. Colaboraci\u00f3n: es esencial el trabajo conjunto entre t\u00e9cnicos de campo y cient\u00edficos de datos para adaptar las soluciones a cada entorno industrial.<\/p>\n<p>As\u00ed, la IA no solo se\u00f1ala anomal\u00edas, sino que aprende a comprender las sutilezas del comportamiento de los activos, lo que permite anticipar fallos con mayor precisi\u00f3n.<\/p>\n<h2>\u00bfEn qu\u00e9 sectores y para qu\u00e9 actores resulta relevante el Machine Learning en mantenimiento?<\/h2>\n<p>El ML es especialmente \u00fatil en entornos donde la fiabilidad es cr\u00edtica y la indisponibilidad genera costes elevados. Algunos ejemplos:<\/p>\n<p><img loading=\"lazy\" decoding=\"async\" class=\" wp-image-83663 alignleft\" src=\"https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/para-que-sectores-y-actores-el-machine-learning-se-vuelve-relevante-en-mantenimiento.png\" alt=\"\u00bfPara qu\u00e9 sectores y actores el Machine Learning se vuelve relevante en mantenimiento\" width=\"318\" height=\"255\" srcset=\"https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/para-que-sectores-y-actores-el-machine-learning-se-vuelve-relevante-en-mantenimiento.png 434w, https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/para-que-sectores-y-actores-el-machine-learning-se-vuelve-relevante-en-mantenimiento-360x289.png 360w\" sizes=\"(max-width: 318px) 100vw, 318px\" \/><\/p>\n<ul>\n<li><strong>Ferroviario:<\/strong> empresas como KONUX desarrollan sistemas de mantenimiento predictivo para vigilar desv\u00edos y v\u00edas.<\/li>\n<li><strong>Energ\u00eda:<\/strong> Shell y SSE monitorizan infraestructuras cr\u00edticas con IA para planificar mantenimientos proactivos.<\/li>\n<li><strong>Aeron\u00e1utica:<\/strong> Qantas ajusta rutas de vuelo en funci\u00f3n de meteorolog\u00eda y capacidades de aeronaves, optimizando consumo y planificaci\u00f3n de revisiones.<\/li>\n<li><strong>Industria manufacturera:<\/strong> Coca-Cola y Siemens Energy integran plataformas con IA para optimizar operaciones de mantenimiento.<\/li>\n<li><strong>Transportes urbanos:<\/strong> en Barcelona, el sistema Bicing aplica modelos predictivos para anticipar el mantenimiento de bicicletas, mejorando disponibilidad y seguridad.<\/li>\n<\/ul>\n<h2>C\u00f3mo asegurar el \u00e9xito en un proyecto de Machine Learning aplicado al mantenimiento: la hoja de ruta\u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0 \u00a0\u00a0<\/h2>\n<p>La implantaci\u00f3n de un proyecto de mantenimiento predictivo basado en Machine Learning requiere un enfoque met\u00f3dico y progresivo. A continuaci\u00f3n, se presentan los pasos clave para garantizar el \u00e9xito de esta transici\u00f3n hacia un mantenimiento proactivo, integrando al mismo tiempo herramientas adecuadas, como<a href=\"\/es\/guias\/que-es-software-de-mantenimiento\/\"> un software de mantenimiento<\/a> (GMAO).<\/p>\n<p><strong>Evaluaci\u00f3n inicial y definici\u00f3n de objetivos<\/strong><\/p>\n<p>El primer paso consiste en identificar los activos cr\u00edticos y los retos espec\u00edficos de tu entorno. Esta fase permite establecer prioridades: reducir costes, aumentar la disponibilidad de los activos o mejorar la seguridad. Un an\u00e1lisis exhaustivo de las necesidades guiar\u00e1 la elecci\u00f3n de tecnolog\u00edas y m\u00e9todos a aplicar, incluida la implementaci\u00f3n o integraci\u00f3n de una GMAO que facilite el seguimiento de intervenciones y datos de mantenimiento.<\/p>\n<p><strong>Recolecci\u00f3n y preparaci\u00f3n de datos<\/strong><\/p>\n<p>La calidad de los datos es fundamental para el \u00e9xito de un proyecto de ML. Para ello, conviene instalar sensores IoT que recopilen informaci\u00f3n sobre par\u00e1metros como temperatura, vibraci\u00f3n o presi\u00f3n. Estos datos deben limpiarse, normalizarse y centralizarse en una plataforma, generalmente en la nube. Integrar una GMAO en esta etapa permite centralizar no solo los datos de las m\u00e1quinas, sino tambi\u00e9n los historiales de intervenciones, los informes de mantenimiento y los calendarios, lo que facilita el an\u00e1lisis y la toma de decisiones.<\/p>\n<p><strong>Selecci\u00f3n de modelos y desarrollo<\/strong><\/p>\n<p>Seg\u00fan la complejidad de los activos y de los fallos que se deseen anticipar, pueden aplicarse distintos modelos de Machine Learning:<\/p>\n<ul>\n<li><strong>Aprendizaje supervisado:<\/strong> \u00fatil cuando existen datos etiquetados, ya que permite predecir fallos a partir de comportamientos anteriores.<\/li>\n<li><strong>Aprendizaje no supervisado: <\/strong>orientado a detectar anomal\u00edas sin necesidad de datos etiquetados, identificando comportamientos inusuales.<\/li>\n<li><strong>Aprendizaje por refuerzo:<\/strong> optimiza las estrategias de mantenimiento mediante la simulaci\u00f3n de intervenciones y la medici\u00f3n de su impacto.<\/li>\n<\/ul>\n<p>La GMAO desempe\u00f1a aqu\u00ed un papel esencial: documenta las decisiones de mantenimiento adoptadas, registra los resultados de las intervenciones y sincroniza estas acciones con los modelos de IA en tiempo real.<\/p>\n<p><strong>Validaci\u00f3n y despliegue<\/strong><\/p>\n<p>Antes de pasar a una producci\u00f3n a gran escala, resulta recomendable llevar a cabo un proyecto piloto en un activo o en un peque\u00f1o grupo de activos. Esta fase permite comprobar la precisi\u00f3n de las predicciones y validar los modelos. Integrar una GMAO en este momento garantiza una gesti\u00f3n fluida de las tareas de mantenimiento y asegura la trazabilidad de las intervenciones realizadas en el marco del piloto.<\/p>\n<p><strong>Seguimiento, mantenimiento y mejora continua<\/strong><\/p>\n<p>Una vez desplegados los modelos, es fundamental monitorizar de forma continua su rendimiento. En este punto, la GMAO se convierte en una herramienta indispensable, ya que facilita la recopilaci\u00f3n en tiempo real de retroalimentaci\u00f3n y la adaptaci\u00f3n de los modelos en funci\u00f3n de los nuevos datos registrados. Las actualizaciones peri\u00f3dicas de los modelos y el ajuste de par\u00e1metros basados en datos reales garantizan la sostenibilidad y eficacia del sistema de mantenimiento predictivo.<\/p>\n<p><strong>Cultura organizacional y formaci\u00f3n<\/strong><\/p>\n<p>El \u00e9xito del proyecto no depende \u00fanicamente de la tecnolog\u00eda, sino tambi\u00e9n de las personas. Por ello, resulta crucial formar a los equipos de mantenimiento en el uso de las nuevas herramientas \u2014en especial de la GMAO\u2014 para que puedan sacar el m\u00e1ximo partido de sus funcionalidades. Fomentar una cultura de colaboraci\u00f3n entre expertos de campo y cient\u00edficos de datos facilitar\u00e1 la adopci\u00f3n de los nuevos m\u00e9todos y maximizar\u00e1 su impacto en el rendimiento global.<\/p>\n<p>\u00a0<\/p>\n<p>El Machine Learning permite detectar y anticipar fallos antes de que se produzcan. Al integrarse con herramientas como la GMAO, las empresas no solo pueden mejorar la disponibilidad de sus activos, sino tambi\u00e9n optimizar sus estrategias de mantenimiento. La clave del \u00e9xito radica en la calidad de los datos, la colaboraci\u00f3n entre equipos t\u00e9cnicos y cient\u00edficos de datos, as\u00ed como en la adopci\u00f3n de un enfoque estructurado y proactivo.<\/p>\n<p><a href=\"\/es\/contacto\/\"><img loading=\"lazy\" decoding=\"async\" class=\"aligncenter wp-image-83666\" src=\"https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/mantenimiento-preventivo-3.png\" alt=\"Mantenimiento Preventivo\" width=\"565\" height=\"439\" srcset=\"https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/mantenimiento-preventivo-3.png 1081w, https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/mantenimiento-preventivo-3-360x280.png 360w, https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/mantenimiento-preventivo-3-710x552.png 710w, https:\/\/www.dimomaint.com\/es\/wp-content\/uploads\/mantenimiento-preventivo-3-768x597.png 768w\" sizes=\"(max-width: 565px) 100vw, 565px\" \/><\/a><\/p>\n\n\n","protected":false},"excerpt":{"rendered":"<p>El Machine Learning ya no es un experimento. Se est\u00e1 integrando de manera progresiva en herramientas avanzadas de mantenimiento, especialmente para anticipar aver\u00edas. Antes de entrar en los aspectos t\u00e9cnicos, conviene entender qu\u00e9 aporta esta tecnolog\u00eda en un entorno industrial y c\u00f3mo se enmarca dentro de un enfoque m\u00e1s amplio de mantenimiento predictivo. \u00bfCu\u00e1l es [&hellip;]<\/p>\n","protected":false},"author":1,"featured_media":83644,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_seopress_robots_primary_cat":"none","_seopress_titles_title":"Machine Learning y Mantenimiento","_seopress_titles_desc":"\u00bfY si la pr\u00f3xima falla pudiera evitarse? Descubre c\u00f3mo el Machine Learning lleva los l\u00edmites del mantenimiento predictivo m\u00e1s all\u00e1.","_seopress_robots_index":"","inline_featured_image":false,"site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"default","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[116],"tags":[121],"class_list":{"0":"post-83639","1":"post","2":"type-post","3":"status-publish","4":"format-standard","5":"has-post-thumbnail","7":"category-blog","8":"tag-tipos-de-mantenimiento"},"acf":{"url_francaise":"https:\/\/www.gmao.com\/gestion-maintenance\/machine-learning-maintenance\/","url_anglaise":"https:\/\/www.dimomaint.com\/blog\/machine-learning-maintenance\/","url_espagnole_mexicaine":"https:\/\/www.dimomaint.com\/latam\/blog\/machine-learning-maintenance\/","url_allemande":""},"url_francaise":"https:\/\/www.gmao.com\/gestion-maintenance\/machine-learning-maintenance\/","url_anglaise":"https:\/\/www.dimomaint.com\/blog\/machine-learning-maintenance\/","url_espagnole_mexicaine":"https:\/\/www.dimomaint.com\/latam\/blog\/machine-learning-maintenance\/","_links":{"self":[{"href":"https:\/\/www.dimomaint.com\/es\/wp-json\/wp\/v2\/posts\/83639","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.dimomaint.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.dimomaint.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.dimomaint.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.dimomaint.com\/es\/wp-json\/wp\/v2\/comments?post=83639"}],"version-history":[{"count":0,"href":"https:\/\/www.dimomaint.com\/es\/wp-json\/wp\/v2\/posts\/83639\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.dimomaint.com\/es\/wp-json\/wp\/v2\/media\/83644"}],"wp:attachment":[{"href":"https:\/\/www.dimomaint.com\/es\/wp-json\/wp\/v2\/media?parent=83639"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.dimomaint.com\/es\/wp-json\/wp\/v2\/categories?post=83639"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.dimomaint.com\/es\/wp-json\/wp\/v2\/tags?post=83639"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}