Inteligencia Artificial Federada para mantenimiento predictivo en puentes (FAI4CIM)
Inzu Group
Sector: Industria
Business Case
Hay imposibilidad de detectar automáticamente problemas estructurales en puente (10% Europa, 30% en USA) sin incurrir en grandes costes. La inspección (procedimiento para evaluar el estado de una infraestructura en uso) se basaba en criterios subjetivos. Se propone el desarrollo de un KPI (índice de salud) basado en ML, generado de la monitorización continua del puente y que permita detectar anomalías estructurales.
Objetivos
Proporcionar un único KPI explicable que ofrezca información sobre la respuesta estructural del puente, sin tener que analizar datos multidimensionales ni ser experto en análisis estructural.
Ajustar la curva de mantenimiento al comportamiento real.
Use case
Se desarrolla el modelo de comportamiento sin necesidad de tener el modelo teórico exacto del puente y sin tener en cuenta la situación original del puente. El sistema puede aprender conjuntamente con otros puentes similares, y los datos se pueden capturar de sistemas SHM de terceros, sensores instalados o datasets existentes .Permite priorizar el mantenimiento de forma objetiva en función de la degradación dinámica real.
Infraestructura
Edge Computing
Tecnologías utilizadas
Machine Learning y Deep Learning
Datos utilizados
Se han utilizado data sets privados de series temporales
Recursos utilizados
Ha sido necesaria la participación de personal experto en desarrollo HW, FW, SW, ingeniería mecánica y de estructuras, personal experto en algoritmia e inteligencia artificial. Prácticamente todo el personal de Aingura ha estado implicado en alguna fase del desarrollo.
Dificultades y aprendizaje
Entre las múltiples problemáticas encontradas, las que más quebranto han causado han estado vinculadas con la dificultad de instalación y de alimentación eléctrica.
KPIs (impacto en el negocio y métricas del modelo)
üReducción del 30% del coste de reparaciones
üReducción del 80% de las visitas de los inspectores
üPRI: 6,7 años (incluyendo realización informes periódicos).
Financiación
El desarrollo se ha realizado con un 30% de aportación propia, un 50% de proyectos de cliente y un 20% de financiación pública.
Colaboradores
Múltiples: UPM, UCLM, BSC, Ardanuy, Oxys Corp, Hampshire University, Titanium.
