Salud de atracción — Dashboard de mantenimiento predictivo
Dashboard centralizado que ingiere telemetría de los nodos de monitorización de atracciones, ejecuta detección de anomalías (baselines estadísticos + ML simple), y muestra predicciones de fallo semanas antes de que ocurran. Sustituye el modelo 'esperar a que se rompa' del mantenimiento mecánico. Construido sobre el stack open-source de observabilidad: Prometheus para métricas, Grafana para visualización, un servicio Python que calcula baselines rodantes por atracción y marca desviaciones.
Problema
Incluso con loggers de sensores en cada atracción, los datos crudos de vibración no son accionables. Los equipos de mantenimiento reciben un stream de números pero ninguna señal de cuándo algo está empezando a fallar. Los datos viven en dashboards que nadie revisa a diario.
Solución
Un servicio Python que ingiere telemetría de atracciones, calcula baselines rodantes por atracción (mediana + std de vibración a cada velocidad, consumo en cada fase, etc.), y marca desviaciones semanas antes de un fallo duro. Muestra predicciones en un dashboard de mantenimiento con órdenes de trabajo priorizadas.
Logros clave
- Ingiere datos de monitorización de atracciones vía MQTT
- Baselines rodantes por atracción, detección de anomalías por desviación
- Predicciones de fallo semanas antes, órdenes de trabajo priorizadas
- Stack open de observabilidad: Prometheus, Grafana, scikit-learn
Concepto
Este es el backend que convierte el stream de telemetría de atracciones en decisiones. Un servicio Python se suscribe al broker MQTT donde publican los nodos de monitorización, almacena las lecturas en InfluxDB (pensado para datos de series temporales), y calcula baselines por atracción: mediana de vibración a cada velocidad, consumo en cada fase del ciclo, temperatura a cada hora del día. Cada lectura nueva se compara con su baseline; las desviaciones por encima de un umbral configurable se convierten en alertas.
La pieza de ML es deliberadamente simple: estadísticas rodantes, reglas de umbral, y un modelo de scikit-learn entrenado con la historia de la propia atracción para marcar desviaciones que un humano pasaría por alto. El resultado es un dashboard de mantenimiento sobre Grafana, con órdenes de trabajo priorizadas: la firma de vibración de esta atracción se ha desviado un 12% en los últimos 30 días, inspeccionar rodamientos la próxima semana. El sistema está containerizado, corre sobre la misma infraestructura que el resto del stack de observabilidad del parque, y los datos son abiertos: los ingenieros del parque pueden consultarlos, exportarlos, construir sobre ellos.
Por qué importa en el entretenimiento temático
El mantenimiento predictivo está bien establecido en aeroespacial e industria pesada, pero los parques han sido lentos en adoptarlo porque los modos de fallo son distintos (las atracciones corren cientos de ciclos al día, no un puñado) y el coste de equivocarse se mide en quejas de visitantes, no en incidentes de seguridad. Una herramienta pequeña, open-source, que aprende baselines por atracción y muestra desviaciones temprano, es una forma de llevar la disciplina al parque sin los sistemas multimillonarios que tienen los grandes. El primer parque que lo haga bien tendrá una ventaja medible en downtime.