Presentamos un marco innovador de mantenimiento predictivo para componentes críticos de los simuladores Typhoon HIL que integra fusión de sensores, optimización bayesiana y técnicas avanzadas de detección de anomalías. Este enfoque incrementa la disponibilidad del simulador al identificar de forma proactiva fallos de hardware, reduciendo significativamente el tiempo de inactividad y los costes de mantenimiento. Se estima una reducción del 20-30% en el tiempo de parada y una disminución del 15-25% en gastos de mantenimiento durante el primer año de implantación, mejorando especialmente los procesos en industrias aeroespaciales y de defensa que dependen de HIL.

La solución se organiza en tres módulos principales: ingestión y normalización de datos, detección de anomalías y predicción, y optimización bayesiana para la planificación de mantenimientos. La capa de datos procesa flujos en tiempo real procedentes de múltiples sensores: sensores de temperatura de alta precisión, sensores de tensión y corriente, acelerómetros para vibración y sensores de presión de servoválvulas. Los datos se limpian mediante detección de outliers con análisis de Z-score y se escalan por min max a un rango uniforme. Se extraen características en dominio temporal como media, desviación típica, asimetría y curtosis, junto a transformadas FFT para extraer información espectral relevante en señales de vibración y tasas de cambio que detectan fluctuaciones rápidas.

Para detección y predicción se propone un híbrido que combina One Class SVM entrenado con datos históricos de operación normal para detección rápida de desviaciones y redes LSTM para capturar degradaciones a largo plazo y predecir tendencias con horizonte de 24 horas. La LSTM incluye varias capas y produce estimaciones cuya diferencia con la medida real define una puntuación de anomalía normalizada. La fusión de puntuaciones de OCSVM y LSTM mejora la robustez frente a falsos positivos y permite una detección temprana más fiable.

La planificación de mantenimientos se modela como una función objetivo que minimiza una combinación de tiempo de inactividad esperado y coste de mantenimiento. Se emplea Gaussian Process Regression para aproximar la función objetivo y la función de adquisición Expected Improvement para explorar ventanas de mantenimiento óptimas. El balance entre minimizar downtime y coste se ajusta mediante un factor de ponderación que puede adaptarse a prioridades operativas y, en desarrollos futuros, ajustarse dinámicamente mediante técnicas de aprendizaje por refuerzo.

El marco fue validado con seis meses de datos reales de un simulador Typhoon HIL en un centro de investigación aeronáutico, con resolución de un segundo y monitoreo de 20 componentes clave. Se utilizaron 15 eventos de fallo documentados para etiquetar series temporales y entrenar las redes. Las métricas empleadas incluyeron precisión, recall, F1 y RMSE para las predicciones de la LSTM. El enfoque híbrido alcanzó una F1 del 0.92 y la LSTM obtuvo un RMSE de 0.08. La optimización bayesiana identificó ventanas de mantenimiento que retrasaron reparaciones necesarias en 2-3 días de promedio y redujeron costes totales en torno al 12% en las pruebas.

Las conclusiones subrayan la viabilidad de combinar fusión de sensores, modelos secuenciales y optimización probabilística para reducir paradas no planificadas y costes operativos en entornos de simulación complejos. Futuras líneas incluyen incorporar variables ambientales, aplicar transferencia de aprendizaje para adaptar modelos a distintas configuraciones de simulador y explorar deep reinforcement learning para optimizar el factor de ponderación de la función objetivo en tiempo real.

Q2BSTUDIO aporta a esta propuesta amplia experiencia en desarrollo de software a medida y aplicaciones a medida adaptadas a necesidades industriales, así como capacidades avanzadas en inteligencia artificial e ia para empresas. Como empresa de desarrollo de software y servicios digitales ofrecemos soluciones que integran ciberseguridad, servicios cloud aws y azure y servicios inteligencia de negocio para desplegar y operar sistemas predictivos de forma segura y escalable. Podemos acompañar la implementación desde la captura y normalización de datos hasta el despliegue en producción y la visualización con herramientas como Power BI, y también desarrollamos agentes IA personalizados para automatizar decisiones de mantenimiento. Conoce nuestras capacidades en Inteligencia artificial a través de nuestros servicios de IA y cómo desplegar infraestructuras seguras en la nube con servicios cloud AWS y Azure.

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. Q2BSTUDIO está lista para ayudar a transformar el mantenimiento reactivo en un mantenimiento predictivo eficiente que proteja la continuidad operativa y maximice el retorno de la inversión.