Resumen: Presentamos ProShaftGuard, un marco innovador impulsado por inteligencia artificial orientado al mantenimiento predictivo y la optimización del rendimiento de rodamientos en ejes de hélice marina. Combinando análisis avanzado de señales sensoras, redes neuronales recurrentes informadas por física y aprendizaje por refuerzo adaptativo, ProShaftGuard detecta anomalías de forma proactiva, predice la vida útil remanente RUL y ajusta dinámicamente parámetros de lubricación para maximizar la eficiencia y minimizar tiempos de inactividad. En escenarios simulados y con datos históricos, este enfoque permitió reducir costos de mantenimiento entre 10 y 25 por ciento, mejorar la eficiencia de combustible entre 5 y 10 por ciento y aumentar la seguridad operacional en comparación con programas de mantenimiento reactivo.

Introducción: Necesidad de mantenimiento predictivo y adaptativo en maquinaria rotativa. Los rodamientos en ejes de hélice operan en condiciones extremas de carga, temperatura y contaminantes, lo que produce mecanismos complejos de desgaste por fatiga y tribología. Las estrategias tradicionales, basadas en intervalos temporales o en análisis de vibración rudimentario, no capturan la dinámica completa de degradación y suelen generar reparaciones costosas y paradas no planificadas. ProShaftGuard propone un cambio de paradigma hacia un mantenimiento predictivo y una gestión adaptativa en tiempo real, aprovechando técnicas modernas de ia para empresas y de agentes IA integrados en la arquitectura de control.

Metodología: Fusión de inteligencia artificial y modelado físico. El sistema consta de tres módulos principales: adquisición y preprocesado de datos, modelado PI-RNN (Physics-Informed Recurrent Neural Network) y control adaptativo de lubricación mediante aprendizaje por refuerzo.

Adquisición y preprocesado: Se emplea una batería de sensores que incluye acelerómetros triaxiales, sensores de temperatura (superficie y lubricante), transductores de presión y sensores de viscosidad del lubricante, con muestreo a 200 Hz. La sincronización de señales se realiza mediante algoritmos de alineamiento temporal (por ejemplo Dynamic Time Warping) y las variables se normalizan mediante Z-score. La detección de valores atípicos utiliza un método de Z-score modificado para robustez frente a ruido y fallos puntuales de sensor.

Modelado IA: PI-RNN. Para capturar dependencias temporales y patrones de degradación se usa una arquitectura LSTM apilada. La novedad consiste en incorporar como regularizador un modelo tribológico basado en la ecuación de desgaste de Archard que integra presión y viscosidad del lubricante. La función objetivo combinada se expresa como L total = L RNN + lambda * L tribo, donde L RNN es el error estándar (por ejemplo MSE) de predicción de RUL y L tribo penaliza desviaciones frente al modelo físico. El parámetro lambda permite ajustar la contribución del conocimiento físico para mejorar generalización y evitar sobreajuste. El entrenamiento se realiza con más de 10 000 horas de operación simulada y real procedente de múltiples embarcaciones y configuraciones de eje.

Control adaptativo: aprendizaje por refuerzo. Un agente DQN ajusta en tiempo real el caudal de lubricante y la mezcla de viscosidad en pequeños pasos (por ejemplo ±5% caudal, ±10% viscosidad) atendiendo al estado definido por la estimación de RUL, carga del rodamiento, temperatura del lubricante y RPM. La función de recompensa equilibra la minimización del desgaste y la maximización de eficiencia de transmisión: R = -a * TasaDesgaste + b * ParEje, donde a y b son pesos configurables por el operador para priorizar vida útil o eficiencia energética.

Validación experimental: Modelo virtual y comprobación con datos históricos. Se desarrolla un gemelo computacional mediante elementos finitos en Ansys que incorpora la modelización tribológica para generar escenarios de degradación bajo distintas cargas, regímenes de RPM y perfiles térmicos. La PI-RNN se evalúa en datasets retenidos usando MAE y RMSE para RUL y F1-score para detección de fallos. El controlador RL se contrasta frente a un calendario de lubricación fijo midiendo mejoras en par de eje y reducción de desgaste transversal. Además se realizan pruebas estadísticas de significación (t-test) sobre indicadores económicos y de confiabilidad operacional.

Resultados preliminares: La PI-RNN mostró una precisión de predicción de RUL con MAE aproximado de 0,8 semanas y RMSE de 1,2 semanas en escenarios heterogéneos. El control adaptativo de lubricación alcanzó una mejora media del 6 por ciento en eficiencia de par del eje frente a un programa fijo, con una reducción significativa del desgaste en las simulaciones. Pruebas estadísticas confirmaron mejoras relevantes en fiabilidad con p menor que 0,01.

Discusión: Ventajas y limitaciones. La principal fortaleza de ProShaftGuard es la combinación de modelos basados en física y aprendizaje profundo, que aporta explicabilidad y robustez frente a datos insuficientes o ruidosos. Las limitaciones prácticas incluyen la necesidad de datos representativos de operación real para generalizar correctamente y la integración con sistemas embarcados y redes industriales OT. La adopción efectiva requiere además estrategias de ciberseguridad para proteger la telemetría y los actuadores, un área donde Q2BSTUDIO ofrece servicios especializados en ciberseguridad y pentesting.

Contribuciones técnicas: integración de un término tribológico como regularizador en redes LSTM, diseño de un espacio de estados y recompensa para control de lubricación y uso de gemelos digitales para entrenar y validar controladores antes de la implementación real. La implementación contempla la aleatorización controlada de variables como topografía superficial, perfiles de viscosidad y arquitecturas de red para robustez frente a variabilidad.

Futuro trabajo: ampliar la detección temprana mediante análisis espectral de vibraciones, desplegar un gemelo digital para control en lazo cerrado y refinar la función de recompensa incorporando retroalimentación de operadores humanos. También se planifica integrar supervisión continua con servicios cloud para facilitar despliegues escalables.

Sobre Q2BSTUDIO: Q2BSTUDIO es una empresa especializada en desarrollo de software y aplicaciones a medida, con experiencia en inteligencia artificial aplicada a procesos industriales, servicios cloud aws y azure, soluciones de inteligencia de negocio y power bi, y servicios avanzados de ciberseguridad. Ofrecemos soluciones llave en mano que van desde prototipos de IA hasta la producción y la monitorización segura en la nube. Nuestra experiencia en inteligencia artificial nos permite diseñar agentes IA y sistemas de IA para empresas que integran modelos físicos y aprendizaje automático, mientras que nuestro equipo de ingeniería desarrolla software a medida y aplicaciones a medida adaptadas a las necesidades operativas de cada cliente.

Palabras clave: aplicaciones a medida, software a medida, inteligencia artificial, ciberseguridad, servicios cloud aws y azure, servicios inteligencia de negocio, ia para empresas, agentes IA, power bi.

Contacto y llamada a la acción: Si su compañía marítima o de ingeniería desea explorar una prueba de concepto de ProShaftGuard o una integración con sus plataformas existentes, Q2BSTUDIO puede ayudar desde el diseño de sensores y la arquitectura de datos hasta el despliegue seguro en la nube y la visualización con power bi. Nuestro enfoque combina investigación aplicada y experiencia en producción para convertir innovación en resultados medibles.