Plataforma de Manutenção Preditiva de Navios

A frota de 40 navios da NorthSea Shipping funcionava com um calendário de manutenção baseado no tempo que não tinha relação com o estado real da maquinaria de cada navio. As falhas de motor não planeadas provocavam desvios de porto não programados que custavam em média 600 K€ por incidente em perda de frete, doca seca de emergência e peças sobressalentes urgentes.

1. 1

   Instalou gateways IoT de edge robustificados em cada navio para recolher leituras de vibração, temperatura, pressão de óleo lubrificante, temperatura de gases de escape e RPM do veio a 500 Hz.

2. 2

   Construiu uma camada de ingestão Azure IoT Hub com device twins por navio, gerindo conectividade por satélite intermitente através de buffering store-and-forward.

3. 3

   Treinou modelos LSTM autoencoder em 6 anos de dados de viagem por classe de navio para aprender envelopes de operação saudável.

4. 4

   Implementou um pipeline de scoring Spark Streaming em tempo real no Databricks que compara continuamente leituras de sensores em tempo real com as linhas de base aprendidas.

5. 5

   Criou um dashboard de saúde da frota no Power BI Embedded para gestores de frota em terra, mostrando pontuações de saúde de componentes por navio e filas de alertas ordenadas.

Implementámos uma arquitetura IoT edge-para-cloud nativa do navio concebida especificamente para os desafios de conectividade marítima. Cada navio executa um gateway edge local que faz buffer dos dados de sensores durante as interrupções de satélite. Em terra, modelos LSTM autoencoder detetam padrões subtis de pré-falha tipicamente 2 a 3 semanas antes de uma falha visível. Os planificadores de manutenção em terra recebem alertas ordenados que permitem que peças e engenheiros sejam pré-posicionados na próxima escala portuária.