Plataforma de Mantenimiento Predictivo de Buques

La flota de 40 buques de NorthSea Shipping operaba con un calendario de mantenimiento basado en el tiempo que no guardaba relación con el estado real de la maquinaria de cada barco. Los fallos de motor no planificados provocaban desvíos de puerto no programados que costaban una media de 600 K€ por incidente en pérdida de flete, dique seco de emergencia y piezas de repuesto urgentes.

1. 1

   Se instalaron gateways IoT robustos en cada buque para recopilar lecturas de vibración, temperatura, presión de aceite lubricante, temperatura de gases de escape y RPM del eje a 500 Hz.

2. 2

   Se construyó una capa de ingestión en Azure IoT Hub con gemelos digitales por buque, gestionando la conectividad por satélite intermitente mediante almacenamiento y reenvío en el gateway de borde.

3. 3

   Se entrenaron modelos de autoencoder LSTM con 6 años de datos de viaje por clase de buque para aprender los rangos de operación saludable.

4. 4

   Se implementó un pipeline de puntuación en tiempo real con Spark Streaming en Databricks que compara continuamente las lecturas de sensores en vivo con las líneas base aprendidas.

5. 5

   Se creó un dashboard de salud de la flota en Power BI Embedded para los gestores de flota en tierra, mostrando puntuaciones de salud de componentes y colas de alertas clasificadas.

Desplegamos una arquitectura IoT de borde a nube nativa marítima diseñada específicamente para los desafíos de conectividad de flotas mixtas. Cada buque ejecuta un gateway de borde local que almacena datos de sensores durante los cortes de satélite. En tierra, los modelos de autoencoder LSTM detectan patrones sutiles de pre-fallo típicamente 2-3 semanas antes de que aparezca un fallo visible. Los planificadores de mantenimiento en tierra reciben alertas clasificadas que permiten posicionar piezas e ingenieros en la próxima escala portuaria.