Modelo para el mantenimiento predictivo de segmentos especiales de vía

Abstract

En las últimas décadas, se ha producido un crecimiento exponencial en la generación, recopilación y almacenamiento de datos impulsado por el avance de la tecnología y la digitalización en diversos ámbitos. La invención de dispositivos móviles inteligentes, el avance de la instrumentación electrónica, el desarrollo de la tecnología IoT, todo ello sumado a la evolución de la capacidad de almacenamiento y de procesamiento computacional, han sido algunos factores destacados en el crecimiento vertiginoso de los datos. La importancia de la evolución de los datos radica en su capacidad para proporcionar información y conocimientos que antes eran inimaginables. Los datos se han convertido en un activo invaluable para las organizaciones, permitiéndoles comprender mejor a sus clientes, identificar tendencias, detectar patrones, automatizar procesos y optimizar sus operaciones. La necesidad de gestionar y obtener valor de esta generación masiva de datos ha impulsado el desarrollo de técnicas de análisis de datos avanzadas, como el aprendizaje automático (Machine Learning (ML)), cuya función principal es extraer información valiosa de los datos con el objetivo de generar nuevos conocimientos que permitan la innovación, ayudar en la toma de decisiones, mejorar la eficiencia y generar nuevos servicios y modelos de negocio. A su vez, como consecuencia del aumento de la preocupación global por la emisión de gases contaminantes y el cambio climático, el sistema ferroviario ha adquirido en los últimos años mayor importancia debido a su eficiencia energética, bajas emisiones, menor impacto ambiental y uso eficiente del espacio. Este auge de la importancia del ferrocarril ha provocado que se adopten estrategias enfocadas a realizar una mayor inversión, destinada a la innovación y mejora de las infraestructuras ferroviarias. Este proyecto pretende poner en valor y aprovechar la evolución de las técnicas de análisis de datos para tratar de aportar una mejora en el plan de mantenimiento de un sistema tan importante como el sistema ferroviario. Para ello, se desarrollarán técnicas de Machine Learning basadas en datos como el Análisis de Componentes Principales (PCA), capaz de detectar patrones estadísticos o tendencias entre los conjuntos de datos. De esta manera, se pretende implementar un algoritmo que integre funciones de diagnóstico, detección y predicción de fallos con el fin de evolucionar el plan de mantenimiento de los aparatos de vía hacia una estrategia de mantenimiento predictiva que tenga un impacto notable en la seguridad y eficiencia del transporte ferroviario, así como en la reducción de los costes de operación.

In recent decades, there has been an exponential growth in data generation, collection and storage driven by the advancement of technology and digitalization in various fields. The invention of smart mobile devices, the advancement of electronic instrumentation, the development of IoT technology, all this combined with the evolution of storage and computational processing capacity, have been some prominent factors in the dizzying growth of data. The importance of the evolution of data is based on in its ability to provide information and insights that were previously unimaginable. Data has become an invaluable asset for organizations, enabling them to a better comprehension of their customers, identifying trends, detecting patterns, automating processes and optimizing their operations. The need to manage and obtain value from this massive generation of data has driven the development of advanced data analysis techniques, such as Machine Learning (ML), whose main function is to extract valuable information from data in order to generate new knowledge that will enable innovation, decision-making assistance, improve efficiency and generate new services and business models. In turn, as a result of the increasing global concern about the emission of polluting gases and climate change, the railway system has become more important in recent years due to its energy efficiency, low emissions, lower environmental impact and efficient use of space. This rise in the importance of railroads has led to the adoption of strategies focused on greater investment, aimed at innovation and improvement of railway infrastructures. This project aims to value and take advantage of the evolution of data analysis techniques to try to bring an improvement in the maintenance plan of a system as important as the railway system. For this purpose, Machine Learning techniques based on data such as Principal Component Analysis (PCA) will be developed, capable of detecting statistical patterns or trends among data sets. In this way, it is intended to implement an algorithm that integrates diagnostic functions, detection and prediction of failures in order to evolve the maintenance plan of track devices towards a predictive maintenance strategy that has a significant impact on the safety and efficiency of rail transport, as well as on the reduction of operating costs.