Mantenimiento Predictivo de Elementos de Desvío Ferroviarios (SMART DIVERTER)
Inzu Group
Sector: Movilidad
Business Case
Los desvíos son un elemento crítico en la infraestructura ferroviaria, sin duda uno de los más castigados en su uso normal. Y con el problema de que el material de construcción, el acero al manganeso, aunque noble, por un lado tiende a empezar a agrietarse en zonas no visibles, y por otro es opaco a los métodos convencionales de inspección (ultrasonidos). Se aplican nuevas técnicas de detección e IA para detectar estos problemas.
Objetivos
Desarrollar un sistema de detección e identificación automática basado en el autoaprendizaje mediante arquitecturas descentralizadas con información en tiempo real, que permita la evaluación continua para el mantenimiento predictivo y la inspección ultrasónica, con monitorización IoT federada y aprendizaje automático.
Use case
Se utilizan técnicas de ML avanzadas de autoaprendizaje para la detección e identificación precisa de fallos en cruces ferroviarios en un entorno multisensor, con una arquitectura descentralizada escalable y flexible con despliegue rápido, optimizando la eficiencia del procesamiento de datos; permitiendo actualizaciones en tiempo real para estrategias de mantenimiento proactivas.
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, y al ajuste de los cambios de la susceptancia con la temperatura.
KPIs (impacto en el negocio y métricas del modelo)
Reducción del 45% del coste actual de mantenimiento de los cruces ferroviarios.
Reducción del 30% de las sustituciones urgentes de pasos a nivel.
Más del 95% de las grietas detectadas en fases tempranas no peligrosas.
Financiación
El desarrollo se ha realizado con un 20% de aportación propia, un 30% de proyectos de cliente y un 50% de financiación pública.