Inteligencia Artificial

Los mantenedores obtienen una ventaja significativa ya que pueden identificar síntomas incipientes de fallos, gracias a productos ya implementados, antes de que se conviertan en incidencias de servicio o averías más graves. Esto es posible gracias a la explotación de todos los datos relevantes recopilados del tren y al despliegue de modelos de IA capaces de identificar anomalías en los datos procedentes de los sensores. Sin embargo, estos modelos deben integrarse con los procesos de taller existentes para capturar todo su valor. En este sentido, la generación automática de órdenes de trabajo activadas por alertas provenientes de estos modelos junto con un proceso implementado capaz de manejar la incertidumbre inherente asociada a estas herramientas son puntos clave. Además, estos modelos se están mejorando (y validando) gracias a la retroalimentación de los talleres que se está recopilando.

Algunos de los modelos actuales de Inteligencia Artificial implementados al respecto son:

• Detección de anomalías en los sistemas ferroviarios con la información recogida a bordo del tren para identificar equipos que puedan tener un fallo incipiente. Esto ayuda al taller a programar mejor las operaciones de mantenimiento y evitar tiempos de inactividad innecesarios. 
• Predicción de la vida de las ruedas para optimizar la vida restante del activo y programar más fácilmente todas las actividades de mantenimiento relacionadas con este activo.
• Detección de defectos en componentes ferroviarios mediante visión artificial para reducir las inspecciones manuales y aumentar la seguridad gracias a una revisión periódica casi diaria.
• Planificación óptima de las tareas, ayudando a los operadores a tener en cuenta las diversas fuentes de información (conductores, plan de mantenimiento preventivo, avisos basados ​​en análisis…), reducir las operaciones de mantenimiento y aumentar la disponibilidad.
• Optimización del consumo energético. En este sentido conocer el consumo energético de cada tren, en cada estado operativo e identificar en cada situación particular el consumo de los diferentes sistemas del tren les ayuda a entender dónde hay potencial de ahorro energético y de costes. Además, minimizar el consumo energético es posible. con la ayuda de un gemelo digital de tren para modelar el consumo de energía. Este gemelo digital permite al operador comprender cómo se comporta realmente el tren y calcular la forma óptima de operar el tren sujeto a las restricciones operativas para reducir el consumo de energía. 

En conclusión: las soluciones de LeadMind están orientadas a ayudar a mantenedores y operadores, para garantizar que se toman las acciones adecuadas en todas y cada una de las situaciones para lograr su propósito. Todo ello con un uso eficiente de los recursos. 

Con todas estas mejoras, y desde hace un tiempo, dentro de CAF hay una serie de proyectos que sirven como punta de lanza para desarrollar e implementar este tipo de soluciones y evaluar su impacto en el negocio. Desde flotas de tranvía como la de Zaragoza, flotas de metro como la de Santiago de Chile o media distancia como en Euskotren, en Sao Paulo o en algunos de los proyectos recientes de CAF en Reino Unido. LeadMind se ha desplegado en el 80% de los contratos de mantenimiento de CAF.

Como se dijo anteriormente, estas herramientas tienen como objetivo reducir el coste LCC del tren. Alfonso Moreno, Lead Data Scientist de CAF DS, señala que “uno de los principales focos para conseguirlo es identificar el estado de los sistemas del tren para reducir incidencias en el servicio, evitar inspecciones de mantenimiento innecesarias y reducir el trabajo asociado a las tareas periódicas de mantenimiento. En este sentido, existen modelos para identificar anomalías en la telemetría y alarmas HMI generadas por los equipos que ayudan a detectar puntos de interés a los que probablemente el taller debería prestar atención”. 

Y añade: "Por ejemplo, en un proyecto en Sao Paulo, los científicos de datos de CAF implementaron un modelo de IA para permitir a los operadores y mantenedores explotar y hacer un mejor uso de la gran cantidad de información que proporciona el HMI de los trenes".  

Este producto alerta sobre patrones de activación de alarmas de mantenimiento sospechosos y le brinda al mantenedor una visión más precisa de qué sistemas de la flota probablemente requieran atención, ya sea porque existe un problema real que necesita atención o porque hay una anomalía o mal funcionamiento con la alarma.  Según Alfonso, “dada la buena respuesta del negocio, este producto se ha desplegado en otros proyectos donde CAF es responsable del mantenimiento y, aunque muy incipiente, los resultados parecen ir en la misma línea”. Los modelos para identificar fallos incipientes en la climatización son otro buen ejemplo. Se han desplegado diferentes modelos de IA que pueden detectar anomalías en el sistema de aire acondicionado con una precisión superior al 80%, lo que permite ver fallos incipientes en este equipo muchas veces antes de que los propios pasajeros perciban algo desde el punto de vista de su confort.  Además, estos modelos no muestran simplemente cuándo un equipo puede tener un problema, sino que explican por qué consideran que el comportamiento del equipo es anormal. Esto permite al mantenedor tener una idea más clara de cuál puede ser el fallo, gestionando en tiempo y forma tanto la logística de repuestos de los equipos como el personal adecuado encargado de las reparaciones y mantenimiento. Al respecto, Moreno añade: “se traducen en un menor tiempo para solucionar el mal funcionamiento y en una clara reducción del número de acciones repetidas en un mismo equipo por una reparación incorrecta. Contamos con soluciones similares implementadas en otros equipos, como unidades de energía en flotas de trenes diésel en el Reino Unido. Y estamos en el proceso de desarrollarlos para el resto de los sistemas ferroviarios”.

La retroalimentación es el núcleo de la IA. La retroalimentación proporcionada por los humanos en cada operación es lo que permite a la IA aprender y mejorar, de modo que se puedan proporcionar mejores datos para la toma de decisiones. En el mundo de los datos, esto se conoce como "Human in the Loop" y es la forma más sencilla de garantizar que estos modelos mejoren y escale. Alfonso Moreno destaca que “una forma escalable de recopilar cuándo los resultados de estos modelos son buenos y cuándo no, es clave para dar grandes pasos adelante en cuanto a la capacidad de predicción de estos modelos”.

Por otro lado, es importante combinar bien cómo los usuarios finales pueden explotar los resultados de estos modelos. Al final, hay que considerar que la decisión final no recae en la IA, sino en una persona real, ya sea in situ, con la ayuda de la IA. Por ejemplo, decidir cuánto de crítica es una anomalía detectada en un equipo para programar su reparación, o porque está preconfigurada.

Un gemelo digital es una representación digital de un sistema real utilizando los datos proporcionados por él, y se enmarca en la categoría de modelos de mantenimiento predictivo que se están desplegando y desarrollando continuamente en CAF. La intención de un gemelo digital es evaluar el estado de un equipo para anticipar la necesidad de cualquier tipo de mantenimiento. 

CAF avanza en proyectos que se enmarcan en la categoría de gemelos digitales: uno para optimizar el mantenimiento de la rueda ferroviaria y otro para minimizar el consumo energético del tren.

Hoy en día, CAF ha desarrollado modelos que predicen de forma óptima cuándo realizar determinados trabajos de mantenimiento en la rueda para cumplir el contrato, y esos mismos modelos son capaces de detectar si una rueda no está alcanzando su vida útil para poder aplicar medidas correctoras de forma temprana. Los datos desempeñan un papel importante en este proceso y los resultados positivos han dado lugar a importantes ahorros de costes.

Las ruedas son activos fundamentales de las flotas. También es un gran ejemplo de cómo los datos contribuyen a resolver problemas multifacéticos. La rueda de ferrocarril se ve afectada por muchas circunstancias y no todas están en manos del fabricante (la vía, la climatología, el funcionamiento, el plan de mantenimiento…), pero al final es el fabricante el responsable de diseñar, fabricar y asegurar una rueda con una duración y prestaciones adecuadas.

En cuanto al gemelo energético digital, este utiliza modelos físicos que se alimentan con datos reales del funcionamiento del tren. Este modelo permite obtener el perfil de velocidad óptimo del tren desde el punto de vista energético, sujeto a que el tren tenga que cumplir un horario y que se deban cumplir determinadas limitaciones de tráfico. Los datos preliminares sugieren un ahorro potencial de más del 10% gracias a este tipo de optimización.

Este gemelo digital se basa tanto en el conocimiento del diseño del vehículo como en la información proporcionada por la telemetría y las alarmas del tren que, con la ayuda de modelos Machine Learning, permiten al operador comprender las necesidades de energía del tren.