Ayudar al Transport London (TfL) con todos sus trenes, estaciones, señales, vías y escaleras mecánicas es una labor ingente, pues deben estar en funcionamiento todos los días. Un pequeño problema con cualquiera de estos elementos podría causar una gran interrupción.

Para mejorar su confiabilidad y reducir los costos de mantenimiento, un equipo de investigadores y un grupo de analistas han explorado cómo administrar y mitigar tales riesgos.

Para apoyar esta labor, están trabajando para que el mantenimiento predictivo les ayude a reducir los costos y mejorar el servicio. Un proyecto actualmente en producción en la línea Central analiza eventos subterráneos para predecir cuándo fallará un motor.

Mantener funcionando un viejo metro

El metro se convirtió en el primer subterráneo del mundo cuando comenzó a funcionar en 1863 entre Paddington y Farringdon Street, una sección que ahora forma parte de las líneas Circle, Metropolitan y Hammersmith & City.

Sigue siendo una de las redes de metro más concurridas del mundo. Cada mañana, 538 trenes circulan entre 270 estaciones, y se esperan un total de 1.4 mil millones de viajes en la red este año, que cubren 86 millones de kilómetros, el equivalente a 110 viajes a la luna y viceversa. Para ello, análisis predictivo se está enfocando en atender los siguientes aspectos:

• La infraestructura victoriana y los viejos vagones que la atraviesan. Alrededor de la mitad de todas las demoras son causadas por problemas con los activos de TfL. El costo de mantenerlos ocupa el 59% del presupuesto.
• Los factores externos también pueden causar interrupciones en el servicio. En un proyecto de ciencia de datos, TfL investigó cómo las condiciones climáticas afectan la confiabilidad de la flota al encontrar correlaciones entre fallas y temperatura, humedad y lluvia.
• El equipo está utilizando un modelo de solución que es más probable que sea más complejo que otro. Este análisis resultó un mapa de calor que indica el impacto de cada factor en cada sistema y componente. Se encontraron altas temperaturas tras las fallas y las bajas temperaturas también tuvieron un impacto significativo.

Los investigadores dieron esta retroalimentación a sus grupos de interés para ayudarlos a tomar decisiones sobre el mantenimiento y las actualizaciones. Su objetivo final es identificar qué causa todas las fallas de los activos para realizar un mantenimiento preventivo.

Elegir el mejor modelo de análisis de datos

Para comprender las causas de estas fallas, el equipo estudia conjuntos de datos sobre activos de TfL, fallas, mantenimiento, operaciones de servicio y problemas externos como el clima. Los factores detrás de las fallas incluyen la temperatura, el alquiler, el uso y la tasa de mantenimiento.

Posteriormente se analiza el impacto que tiene en la tasa de fallas, el nivel de impacto en función de la frecuencia de ocurrencia y el costo de la falla con el que se correlaciona.

Los desafíos incluyen silos de información, datos que faltan, límites de tiempo debido a la actualización continua de TFL y la renovación de sus activos y los datos son relativamente baratos.

El TfL es una organización grande que se vincula con aplicaciones críticas para la seguridad, por lo que el equipo de ciencia de datos necesita colaborar con diferentes departamentos y hacer cumplir cronogramas efectivos.

Las decisiones de mantenimiento tomadas por el personal deben minimizar los fallas y los costos de mantenimiento. Podrían llevar a cabo el mantenimiento periódicamente, en función de su tiempo, pero sería posible terminar con sus activos, o incluso demasiados fracasos, manteniéndolos por debajo de su capacidad.

Científicos de datos entran en acción

Los científicos de datos pensaron que una mejor opción era analizar los datos históricos de las fallas y el mantenimiento para establecer la probabilidad de fallas. No pudieron identificar las posibles causas. Podrían evaluar el costo de una falla y decidir cómo comportarse y establecer una tasa de mantenimiento fija.

Esta opción resultó una mejora, pero aún no es óptima, por lo que ​​algunos fallos no se evitarán. Esta es una cuestión de cómo predecir cuándo es posible un tipo particular de análisis. Un algoritmo puede evaluar los patrones de eventos que tienen lugar en los últimos días u horas y predecir si va a suceder una falla.

El modelo de aprendizaje automático se aplica a los datos para predecir una falla que se espera que aparezca en el tablero de un ingeniero. El activo en cuestión puede retirarse del servicio y mantenerse antes de que surja la falla.

Los proyectos de ciencia de datos de TfL están trabajando en una serie de experimentos de análisis de datos para mejorar el servicio, incluido el proyecto de la Línea Central antes mencionado. Esta información se está descargando desde el sistema de monitorización de condiciones del fabricante. Luego, un algoritmo evalúa los patrones de eventos en mayor medida que el día anterior. otros proyectos que analizan las señales generadas por los sensores para medir continuamente el rendimiento. Otra empresa de ciencia de datos apoya el esfuerzo general de TfL para mejorar y monitorear la calidad de sus datos.

Muchos de los conjuntos de datos de TfL tienen información incorrecta o faltante. Por este motivo, el equipo de ciencia de datos está usando los campos de texto libre donde los ingenieros ingresan detalles sobre el fracaso del proceso y las acciones tomadas para abordarlos, para entrenar un clasificador de aprendizaje automático que analiza patrones en el texto y así predecir qué componente falló para ser 75% preciso al identificar el componente. De esta forma, cualquier componente que esté marcado puede ser inspeccionado por un experto.

Tom Mcaulay, IDG.es