Adimen artifiziala

Mantentze-lanetako langileek abantaila garrantzitsua lortzen dute; izan ere, akatsen sintoma hasiberriak identifika ditzakete, dagoeneko inplementatuta dauden produktuei esker, zerbitzu-gorabehera edo matxura larriagoak bihurtu aurretik. Hori posible da trenean bildutako datu garrantzitsu guztiak ustiatu direlako eta sentsoreetatik datozen datuetan anomaliak identifikatzeko gai diren AA ereduak hedatu direlako. Hala ere, eredu horiek lehendik dauden tailer prozesuekin integratu behar dira, haien balio guztia atzemateko. Ildo horretan, funtsezko puntuak dira eredu horietatik datozen alerten bidez aktibatutako lan-aginduak automatikoki sortzea eta tresna horiei lotutako ziurgabetasuna kudeatzeko gai den prozesu bat ezartzea. Gainera, eredu horiek hobetzen (eta baliozkotzen) ari dira, biltzen ari diren tailerren atzeraelikadurari esker.

Adimen artifizialeko eredu hauek ezarri dira, besteak beste:

• Tren-sistemetan anomaliak detektatzea, trenean jasotako informazioarekin, akats hasiberri bat izan dezaketen ekipoak identifikatzeko. Horrek mantentze-lanak hobeto programatzen eta alferrikako jarduerarik gabeko denborak saihesten laguntzen dio lantegiari.
• Gurpilen bizitza aurreikustea, aktiboaren gainerako bizitza optimizatzeko eta aktibo horrekin lotutako mantentze-jarduera guztiak errazago programatzeko.
• Tren-osagaietan akatsak detektatzea ikusmen artifizialaren bidez, eskuzko ikuskapenak murrizteko eta segurtasuna handitzeko, ia egunero egiten den aldizkako berrikuspenari esker.
• Lanen plangintza optimoa, operadoreei informazio iturri desberdinak kontuan hartzen lagunduz (gidariak, prebentziozko mantentze plana, analisietan oinarritutako abisuak…), mantentze lanak murriztu eta erabilgarritasuna handituz.
• Energia-kontsumoa optimizatzea. Alde horretatik, tren bakoitzaren energia-kontsumoa eta egoera operatibo bakoitzean zenbat energia kontsumitzen den jakiteak eta egoera jakin bakoitzean trenaren sistemen kontsumoa identifikatzeak lagundu egiten die ulertzen non dagoen energia eta kostuak aurrezteko aukera. Gainera, energia-kontsumoa minimizatzea posible da. tren-biki digital baten laguntzarekin energia-kontsumoa modelatzeko. Biki digital horri esker, operadoreak trenaren benetako portaera ulertzen du, eta energia-kontsumoa murrizteko eragiketa-murrizketen mende dagoen trenaren funtzionamendua kalkulatzen du.

Laburbilduz, LeadMind-en irtenbideak mantentze-lanak egiten dituztenei eta operadoreei laguntzera bideratuta daude, egoera guztietan ekintza egokiak hartzen direla bermatzeko, haien helburua lortzeko. Hori guztia baliabideen erabilera eraginkorrarekin.

Hobekuntza horiekin guztiekin, eta duela denbora batetik hona, CAFen barruan badira zenbait proiektu mota horiek garatu eta ezartzeko eta negozioan duten eragina ebaluatzeko abiapuntu gisa balio dutenak. Besteak beste, Zaragozako tranbia-flota, Txileko Santiagokoa bezalako metro-flota eta distantzia ertaineko flota (Euskotrenen, Sao Paulon edo CAFek Erresuma Batuan berriki egin dituen proiektu batzuetan). LeadMind CAFen mantentze kontratuen %80an hedatu da.

Lehen esan bezala, trenaren LCC kostua murriztea dute helburu tresna horiek. Alfonso Morenok, CAF DSko Lead Data Scientist-ek, honako hau adierazi du: “Hori lortzeko foku nagusietako bat trenaren sistemen egoera identifikatzea da, zerbitzuan gorabeherak murrizteko, beharrezkoak ez diren mantentze-ikuskatzeak saihesteko eta aldizkako mantentze-lanei lotutako lana murrizteko. Alde horretatik, badira zenbait eredu telemetrian anomaliak eta ekipoek sortutako HMI alarmak identifikatzeko, interes-puntuak detektatzen laguntzen dutenak, eta, ziur asko, tailerrak arreta jarri beharko lieke puntu horiei”.

Eta gehitu du: "Adibidez, Sao Pauloko proiektu batean, CAFeko datu-zientzialariek IAren eredu bat ezarri zuten, operadoreei eta mantentzaileei trenetako HMIak ematen duen informazio handia ustiatu eta hobeto erabiltzeko aukera emateko".

Produktu honek mantentze-alarma susmagarriak aktibatzeko patroiei buruz ohartarazten du, eta mantentzaileari ikuspegi zehatzagoa ematen dio flotako zer sistemak behar duten arreta ziurrenik, dela arreta behar duen arazo erreal bat dagoelako, dela alarmarekin anomalia bat edo funtzionamendu oker bat dagoelako. Alfonsoren arabera, “negozioaren erantzun ona ikusita, produktu hau beste proiektu batzuetan zabaldu da, non CAF mantentze-lanen arduraduna den, eta, oso hasiberria izan arren, emaitzak bide beretik doazela dirudi”. Klimatizazioan sortzen ari diren akatsak identifikatzeko ereduak ere adibide onak dira. Aire girotuaren sisteman anomaliak % 80tik gorako zehaztasunez detekta ditzaketen IA modeloak hedatu dira, eta, horri esker, ekipo horretan akats hasiberriak ikus daitezke, bidaiariek beren erosotasunaren ikuspegitik zerbait hauteman baino lehen. Gainera, eredu horiek ez dute erakusten, besterik gabe, noiz izan dezakeen talde batek arazo bat, baizik eta azaltzen dute zergatik uste duten taldearen portaera anormala dela. Horri esker, mantentze-lanak egiten dituenak argiago jakin dezake zein izan daitekeen hutsegitea, garaiz eta behar bezala kudeatuz bai ekipamenduen ordezko piezen logistika, bai konponketez eta mantentze-lanez arduratzen diren langile egokiak. Horri dagokionez, Morenok hau gaineratu du: “funtzionamendu txarra konpontzeko denbora gutxiago behar da, eta konponketa oker batengatik ekipo berean errepikatzen diren ekintzen kopurua nabarmen murrizten da. Antzeko soluzioak ditugu beste ekipo batzuetan inplementatuta, hala nola energia-unitateak diesel trenen flotetan Erresuma Batuan. Eta gainerako trenbide-sistemetarako garatzeko prozesuan gaude”.

Eraginkortasun operatiboari dagokionez, CAF ikusmen artifizialeko proiektu handi bat garatzen ari da. Denborarekin, ikusmen artifizialak eskuzko ikuskapen gutxiago egitea espero da, eta, horri esker, ibilgailuen erabilgarritasuna nabarmen handituko da. Gainera, sistema horrek, behin ezarrita, segurtasuna handitzea ere ekarriko du.

Atzeraelikadura da EIren muina. Gizakiek eragiketa bakoitzean emandako atzeraelikadurari esker, AAk ikasi eta hobetu egiten du, erabakiak hartzeko datu hobeak eman ahal izateko. Datuen munduan, horri "Human in the Loop" deitzen zaio, eta eredu horiek hobetzen eta eskalatzen direla bermatzeko modurik errazena da. Alfonso Morenok nabarmendu duenez, “eredu horien emaitzak noiz diren onak eta noiz ez biltzeko modu eskalagarri bat funtsezkoa da eredu horiek aurreikusteko gaitasunari dagokionez aurrerapauso handiak emateko”.

Bestalde, garrantzitsua da ondo konbinatzea azken erabiltzaileek eredu horien emaitzak nola ustiatu ditzaketen. Azkenean, kontuan hartu behar da azken erabakia ez dela AArena, baizik eta benetako pertsona batena, dela in situ, AAren laguntzarekin. Adibidez, erabakitzea zenbateraino den kritikoa ekipo batean detektatutako anomalia, konponketa programatzeko, edo aurrez konfiguratuta dagoelako.

Biki digitala sistema erreal baten irudikapen digitala da, berak emandako datuak erabiliz, eta CAFen etengabe hedatzen eta garatzen ari diren mantentze-lan prediktiboen ereduen kategoriaren barruan sartzen da. Biki digital baten asmoa da ekipo baten egoera ebaluatzea, edozein motatako mantentze-lanen beharra aurreikusteko.

CAFek biki digitalen kategorian sartzen diren proiektuetan egiten du aurrera: bata, tren-gurpilaren mantentze-lanak optimizatzeko; bestea, trenaren energia-kontsumoa minimizatzeko.

Gaur egun, kontratua betetzeko gurpilean mantentze-lan jakin batzuk noiz egin behar diren modu ezin hobean iragartzen duten ereduak garatu ditu CAFek, eta eredu horiek berak gai dira detektatzeko gurpil bat ez ote den bere balio-bizitza lortzen ari, neurri zuzentzaileak garaiz aplikatu ahal izateko. Datuek zeregin garrantzitsua dute prozesu horretan, eta emaitza positiboek kostuetan asko aurreztea ekarri dute.

Gurpilak floten funtsezko aktiboak dira. Halaber, adibide ona da ikusteko nola laguntzen duten datuek arazo multifazetikoak konpontzen. Tren-gurpilak gorabehera asko izaten ditu, eta guztiak ez daude fabrikatzailearen esku (trenbidea, klimatologia, funtzionamendua, mantentze-plana…), baina, azkenean, fabrikatzaileari dagokio iraupen eta prestazio egokiak dituen gurpil bat diseinatzea, fabrikatzea eta ziurtatzea.

Biki energetiko digitalari dagokionez, honek trenaren funtzionamenduaren datu errealekin elikatzen diren eredu fisikoak erabiltzen ditu. Eredu horri esker, trenaren abiadura-profil optimoa lor daiteke energiaren ikuspegitik, betiere trenak ordutegi bat bete behar badu eta zirkulazio-muga jakin batzuk bete behar badira. Aurretiazko datuek % 10 baino gehiago aurrez daitekeela iradokitzen dute, optimizazio-mota horri esker.

Biki digital hori ibilgailuaren diseinuaren ezagutzan eta trenaren telemetriak eta alarmek emandako informazioan oinarritzen da. Informazio horri esker, Machine Learning ereduen laguntzaz, operadoreak trenaren energia-beharrak ulertzen ditu.