RailVision AI
La contaminación del balasto ferroviario representa un desafío crítico para las compañías de mantenimiento de infraestructuras ferroviarias. Este problema afecta directamente la estabilidad y seguridad de las vías férreas, incrementando los riesgos operativos y los costes de mantenimiento. Las inspecciones manuales tradicionales no solo son lentas y costosas, sino que también son propensas a errores de diagnóstico, dificultando la identificación precisa de la contaminación y su profundidad. Además, la interpretación de los datos generados por tecnologías como el GeoRadar 3D añade complejidad, ya que se trata de grandes volúmenes de información difíciles de procesar mediante métodos convencionales. Por lo tanto, las compañías necesitan una solución capaz de identificar patrones de contaminación con precisión, determinar su profundidad y optimizar las estrategias de mantenimiento, reduciendo tanto los costes como los tiempos de intervención.
Para abordar este problema, desarrollamos un modelo avanzado de análisis basado en datos de 3D-GeoRadar, diseñado específicamente para detectar patrones de contaminación en el balasto ferroviario y calcular con precisión su profundidad. El sistema comienza con un procesamiento detallado de los datos, filtrando el ruido y extrayendo características clave de las señales del GeoRadar 3D. Sobre esta base, implementamos una arquitectura de aprendizaje profundo (Deep Learning) utilizando PyTorch, lo que permitió analizar con precisión los patrones subyacentes en los datos y proporcionar estimaciones fiables sobre la ubicación y profundidad de la contaminación. La solución fue desplegada en un entorno robusto mediante el uso de MLflow y Docker, garantizando su reproducibilidad y escalabilidad. Además, se integró Apache Airflow para la orquestación automatizada de los flujos de datos, permitiendo un análisis eficiente y continuo. Este enfoque innovador no solo facilita la detección de la contaminación, sino que también transforma grandes volúmenes de datos en información accionable, optimizando el mantenimiento de las vías férreas.
El desarrollo de este sistema ha supuesto un cambio significativo en la gestión del mantenimiento ferroviario. Por un lado, ha mejorado drásticamente la precisión en la detección de contaminación, alcanzando niveles superiores al 95%. Por otro, ha permitido a las compañías ferroviarias reducir considerablemente los costes asociados a las inspecciones manuales, eliminando gran parte de los errores de diagnóstico y agilizando las decisiones operativas. La capacidad de estimar con exactitud la profundidad de la contaminación ha facilitado una planificación más estratégica de las intervenciones, reduciendo las interrupciones en el servicio ferroviario y maximizando la eficiencia de los recursos. Además, gracias a su diseño modular y su implementación en un entorno de contenedores, el sistema es escalable y adaptable a diferentes contextos operativos, proporcionando flexibilidad para su uso en múltiples localizaciones.
Predictive Maintenance
