mayo 1, 2021

La penetración de la inteligencia artificial en los ferrocarriles indios

El avance de las tecnologías ferroviarias está destinado a dar cabida a la creciente población. Seguir las expectativas coincide con la evolución de la digitalización. El uso popular de los servicios en línea a través de Internet permite la integración de todo para proporcionar mejores servicios. Todo es calculable y previsible por el tratamiento de los datos acumulados. Esto lleva a todos a pensar sobre el papel inminente de la inteligencia artificial en los ferrocarriles indios.

Inteligencia artificial en ferrocarriles indios

Los ferrocarriles indios son la cuarta red más grande del mundo con una longitud de más de 70,000 km en abril de 2019 y una red de más de 20,000 trenes de pasajeros. Gestionar todos los aspectos: operación, mantenimiento, programación, reparación o monitoreo siempre ha sido una tarea difícil para los ferrocarriles indios. La tarea es difícil debido al problema de integrar varios sistemas como señalización, telecomunicaciones, operación, material rodante, electricidad, tecnología de la información, tráfico, infraestructura, etc. Y la participación de factores humanos.

Una forma de tratar de satisfacer la demanda es mejorar la infraestructura ferroviaria. La infraestructura fue la característica clave de los proyectos actuales, como la expansión de doble vía del ferrocarril de Konkan y la introducción del tren bala a lo largo del corredor de alta velocidad Mumbai-Ahmedabad. Pero la pregunta es: ¿por qué descuidar el aumento de la productividad para satisfacer la creciente demanda mediante la integración de sistemas de inteligencia artificial, aprendizaje automático y autocontrol?

Estos sistemas están diseñados para mejorar la confiabilidad de la infraestructura existente y compensar las enormes inversiones del pasado. Grandes inversiones pueden eliminar la necesidad de interferencia humana y proporcionar el nivel de seguridad requerido y acelerar la gradación. Debería ser posible hacer más con el hardware si podemos hacer que el «software» sea más eficiente. Tener un software más eficiente incluye un mayor intercambio de información, menor latencia y algoritmos inteligentes. Esta es la razón por la cual muchos OEM y startups están estudiando actualmente la viabilidad de los servicios basados ​​en IA en todo el mundo.

Viabilidad de Inteligencia artificial en ferrocarriles indios

Deberíamos analizar el hecho si la cantidad de datos necesarios para la simulación y el modelado matemático está disponible. Consideremos varias áreas de interés para los ferrocarriles indios por separado.

  • operación – La inteligencia artificial para cualquier sistema requiere una gran cantidad de datos conectables. En los ferrocarriles indios, la red ya opera en el sistema SCADA, por lo que hay una gran cantidad de datos operativos disponibles para fines de modelado y capacitación.
  • Infraestructura – También deberían estar disponibles versiones digitalizadas de la infraestructura ferroviaria. Se puede hacer el mismo argumento para obtener información sobre los rastrillos y la lista de la tripulación.
  • Pistas y material rodante – Los datos para el mantenimiento predictivo de vías o trenes pueden no estar disponibles en la India. Pero la física de estos problemas no varía con la geografía. Por lo tanto, los datos de otros países pueden usarse para capacitar a estos modelos.
  • Señal y Telecom – El historial de eventos se puede obtener de los registradores de datos del sistema de enclavamiento. Esto puede ayudar a programar el movimiento del tren e incluso administrar las operaciones impulsadas por la máquina.

Aunque tenemos una buena disponibilidad de datos, el principal desafío sería desarrollar un marco en el que los investigadores puedan comenzar con varios problemas individuales y luego integrarlos de manera efectiva. Las arquitecturas jerárquicas o más genéricas son efectivas en la gestión de estas intenciones. Estos podrían usarse desde un punto de vista algorítmico. Los diversos sistemas deben comunicarse de manera efectiva. Aquí es donde se requiere experiencia en arquitecturas de software / hardware e integración de sistemas. Un escenario de integración típico se muestra en Figura 1 debajo.

Un esquema del sistema ferroviario integrado AI
Fig. 1: Integración de AI con la red ferroviaria. Fuente de la imagen: Toshiba

Aplicaciones de la inteligencia artificial en los ferrocarriles indios.

Existe un espectro de servicios de largo alcance que AI puede proporcionar dependiendo del nivel de eficiencia y necesidad. La viabilidad de algunos de los requisitos ferroviarios principales que puede proporcionar la inteligencia artificial se analiza a continuación:

1) Planificación del tren

Todas las reglas de informes suponen que las vías de la estación están ocupadas como máximo por un tren a la vez. Esto puede garantizarse mediante algoritmos, modelos de simulación, gráficos, heurísticas y sistemas de control con el grado requerido de inteligencia artificial en los ferrocarriles indios.

La información que se puede obtener de AI debe incluir:

(i) duración desde el primer evento hasta el último evento,

(ii) la duración total o media de los trenes,

(iii) el tiempo de ejecución ponderado prioritario de los trenes,

(iv) robustez del calendario a las desviaciones y sus combinaciones.

Esto lo asegurará

(i) una sección de vía entre dos estaciones está ocupada como máximo por un tren a la vez (en señal de bloqueo absoluto), o

(ii) cada pieza de vía entre dos señales está ocupada por un máximo de un tren a la vez (en la señal de bloqueo automático).

Actualmente, las redes ferroviarias no utilizan algoritmos automatizados para esta función. En cambio, dependen de la capacitación y la experiencia de los controladores (despachadores) para tomar decisiones. No pueden procesar una gran cantidad de información contextual, ni pueden satisfacer la demanda de tiempos de respuesta más cortos para la toma de decisiones.

Pero el enfoque antes mencionado generará tiempos y horas de movimiento de alto nivel. Especificarán las pistas que se ocuparán, el tiempo necesario para cambiar las pistas y los requisitos de informes. Y los parámetros del conflicto inmediato pueden evaluarse en tiempo real. Por lo tanto, se pueden tomar decisiones de planificación instantánea, generando horarios microscópicos.

Con AI, se pueden desarrollar enfoques de optimización iterativos o modelos basados ​​en gráficos para calcular cronogramas de bajo nivel con soporte de decisiones en tiempo real utilizando heurística como se resume en Figura 2 debajo.

La inteligencia artificial también ofrece una forma de entrenar algoritmos para reaccionar rápidamente a las perturbaciones y, sin embargo, con soluciones casi óptimas.

Algoritmo de planificación basado en inteligencia artificial.

Fig. 2: Un algoritmo de planificación típico que usa IA

2) Comprobación de los perfiles de velocidad de los trenes

Un esquema de resolución de conflictos basado en IA no solo debería recibir señales fuertes (aspectos de señal) sino enfoques más óptimos, como la gestión de la velocidad del tren. Tanto el consumo de energía del tren como el retraso total dependen del perfil de velocidad utilizado entre las estaciones. Utilizando el aprendizaje por refuerzo (RL) o la programación dinámica, los perfiles de velocidad de eficiencia energética para trenes individuales se pueden calcular en el nivel inicial. Sin embargo, para aplicaciones más amplias en el país, la posibilidad futura es el desarrollo de técnicas de inteligencia artificial que puedan:

(i) interactuar con los operadores de trenes humanos sin aumentar su carga,

(ii) ser implementado por humanos en el ciclo, y

(iii) detectar obstáculos en las pistas.

3) Pronóstico y reducción de demoras

Un papel importante de la inteligencia artificial en los ferrocarriles indios puede ser la anticipación de retrasos en los trenes. Esta es una consideración importante debido a la naturaleza extremadamente limitada de las redes ferroviarias. Actualmente, no existe un mecanismo IR para tomar medidas correctivas para los horarios de trenes retrasados. Estas demoras son causadas por las prioridades del tren, los conflictos aguas abajo con otros trenes, las cargas de carga y los tiempos de parada irregulares. Un ser humano no puede procesar todos estos factores simultáneamente o encontrar una solución óptima para la red en su conjunto.

Las predicciones precisas de demoras debido a la incorporación de inteligencia artificial en los ferrocarriles indios ayudarían a los despachadores en las partes aguas abajo de la red. También mejoraría la experiencia del pasajero al proporcionar actualizaciones anticipadas en sus viajes. Un sistema para predecir el tiempo de retraso aprendería de los datos de retrasos de trenes anteriores, predeciría cuánto tiempo durará cada retraso y utilizaría un servicio basado en la nube para proporcionar actualizaciones.

Un enfoque basado en la inteligencia artificial es un ‘Análisis-sentido-respuesta sistema para predecir y corregir demoras. lossentido«Parte del programa recopila datos sobre el estado de los trenes en la red.analizar«Parte calcula las implicaciones de cada opción posible. Y el ‘responder«Parte asigna recursos de vía calculados para cada tren en función de la capacidad física y los estándares de seguridad.

4) Administracion de recursos

La operación a prueba de errores del sistema de señalización es importante para operaciones de tren seguras. Los ferrocarriles dependen completamente del estado de los recursos de informes y la información en tiempo real. La mayoría de los retrasos se producen debido a la falla de las señales. Hasta ahora, los sistemas indios siguen un sistema de mantenimiento manual y métodos de investigación y reparación. Pero la adopción de inteligencia artificial en los ferrocarriles indios puede ayudar a predecir fallas mediante el monitoreo remoto de las condiciones del sistema con mucha anticipación.

Esto puede ser posible incorporando sensores inteligentes en componentes ferroviarios críticos y tomando las medidas preventivas necesarias. Las entradas deben recopilarse a intervalos fijos y enviarse a una ubicación central (como el centro de control de operaciones u OCC). Como resultado, cualquier problema en el sistema de informes se detectaría en tiempo real.

Esto se representa en Fig. 3 debajo. Los trenes equipados con sensores inteligentes y GPS transmiten la salud y la posición de los componentes al Centro de inteligencia de activos (AIC). El AIC que gestiona la base de datos digital de todos los recursos ferroviarios también recopila entradas del sistema de advertencia de distancia de seguridad (SDW) incorporado en las cámaras terrestres sobre defectos de trenes / vagones y notificaciones electrónicas de daños (también transmitidas al conductor).

Una vez que esta información se recopila e integra, se generan datos analíticos en forma de diagramas RAM / LCC (confiabilidad, disponibilidad, mantenibilidad y costos del ciclo de vida) que calculan los costos generales de mantener el componente del tren en particular en un momento y condiciones específicos y también generan una regulación digital (por ejemplo, la regulación 4.0) que proporcionará un fácil acceso a las políticas de mantenimiento en forma de un modelo de datos estructurados que los operadores interesados ​​y el personal del taller podrán utilizar en el futuro.

Las decisiones recomendadas por AI basadas en algoritmos dinámicos y políticas de acuerdo con el Rulebook digital se encapsulan en un programa de mantenimiento consolidado dentro del módulo de control de flota digital y se comparan con las capacidades del taller para generar demanda de material y labor. Esta solicitud luego se transfiere a la interfaz digital del taller en forma de un pedido digital.

Un sistema típico de gestión de recursos ferroviarios de Siemens
Fig. 3: un sistema típico de gestión de recursos ferroviarios de Siemens

A partir de ahora, la supervisión remota de informes está operativa en el Reino Unido. El sistema proporciona transferencia de datos a través de soporte inalámbrico (3G, 4G y móvil de alta velocidad). Los datos basados ​​en estas entradas se utilizan con la ayuda de AI para el análisis prescriptivo de Big Data. Esto le permite detectar defectos en los recursos de informes, autocorrección automática (mediante aprendizaje automático) y decisiones informadas.

Los ferrocarriles indios han decidido comenzar el proceso en dos secciones del ferrocarril occidental y el ferrocarril sudoccidental en Ahmedabad-Vadodara y Bengaluru-Mysuru.

5) sistemas de señalización inteligentes

Estos pueden crearse generando un «gemelo digital» de una sección de ferrocarril. Un gemelo digital es un modelo de simulación de un sistema físico real y sus operaciones. múltiples fuentes de datos actualizan continuamente la réplica virtual y cambian su estado para representar los efectos en la contraparte física.

Un helicóptero o dron equipado con escáner láser y cámaras puede capturar imágenes de toda la sección y simular un modelo digital tridimensional completamente mapeado. Para que pueda desarrollar una guía digital de todos los recursos. Esto puede incluir miles de kilómetros de pistas, señales, puntos, torres de telecomunicaciones, estaciones, canales de cable, puentes, túneles y pasos a nivel.

Las ventajas de tal modelo incluyen:

El «gemelo digital» puede ayudar a semiautomatizar el diseño con total precisión, ahorrando meses de trabajo. Elimina la necesidad de acceder al sitio y medir y estimar manualmente los gradientes, determinar los requisitos del equipo como cables y conectores, identificar violaciones y rastrear los pasos.

Alstom desarrolló un «gemelo digital» para la densa red ferroviaria británica a lo largo de la West Coast Main Line (WCML) para el tren Pendolino. Toda la flota de trenes comprende cincuenta y seis trenes y cinco depósitos de mantenimiento. Mantener un sistema tan complicado con el grado de predicción requerido requiere muchos aspectos para considerar que no sucedería sin un gemelo digital.

Se pueden estimar los requisitos operativos diarios para rutas y horarios de trenes y capacidades.

Es posible determinar la frecuencia y los parámetros (como el tiempo o el kilometraje) para la inspección del tren, así como los detalles del mantenimiento preventivo y correctivo de los depósitos.

  • Seguridad y fiabilidad de los recursos.

El modelo digital indicará la instancia de robo o posible falla de cualquier dispositivo de señalización. Esta ‘Predecir y evitar’ El modelo ahorrará dinero, aumentará la capacidad y eliminará cualquier retraso o cancelación inesperada del servicio. La opción de seguridad cibernética adicional se puede utilizar para proporcionar un sistema seguro de administración de claves en línea para que los trenes puedan comunicarse de manera segura con el sistema de señalización en el camino utilizando claves de cifrado.

Diagrama digital de bloques gemelos
Fig. 4: esquema conceptual de Digital Twin

Como se muestra en Higo 4 Arriba, los datos de las vías y los trenes se recopilan mediante sensores y cámaras inteligentes que actúan como entradas para el modelado gemelo digital. Por lo tanto, se crean dos niveles paralelos: físico y digital en la red que se comunica entre sí a través de interfaces apropiadas.

El modelo digital calcula el tiempo de funcionamiento y el intervalo de entrenamiento que se pueden aplicar a los algoritmos de evaluación de riesgos basados ​​en inteligencia artificial. El nivel real / físico monitorea y se adapta a los cambios en las reglas y regulaciones del gobierno, luego envía la información al nivel digital que actualiza los cálculos de riesgo cada vez que se recibe nueva información.

Finalmente, en base a la información recopilada, los planes operativos así generados se prueban en el modelo digital y se proponen a la capa física para la encapsulación.

6) Garantizar la seguridad pública

Las funciones de consultoría en posicionamiento, aceleración, frenado seguro y enclavamiento del tren pueden eliminar la necesidad de un control directo del conductor. El primer tranvía autónomo lanzado por Seimens en Potsdam, Alemania, en 2018 puede evitar la amenaza de que las personas caminen frente a un vehículo en movimiento.

Con la ayuda de sensores, láser y cámaras, se puede detectar cualquier obstáculo en el camino. Esto ayuda a tomar decisiones en una fracción de segundo al detener el tranvía asistido por IA. Todavía está en desarrollo, pero ciertamente tiene mucho que ofrecer al amplio mercado de vehículos autónomos que se está acelerando a un ritmo acelerado.

Verificación de operación del tren basada en IA
Fig.5: una posible arquitectura para el control de la operación del tren basada en inteligencia artificial.

Para comprender este enfoque, supongamos un Centro de control de operaciones como se muestra en Higo 5 arriba, que contiene el servidor central para monitorear y administrar el tráfico de toda la sección ferroviaria. La radio balea montada en la vía transmite la posición y los aspectos de la señal al tren a través de sensores y antena a bordo.

Esta información junto con el estado de salud del tren se envía a través del módulo de monitoreo del tren basado en inteligencia artificial al módulo de comunicación. Este módulo también recopila información basada en la pista, como la falla de la pista o un obstáculo del curso desde el procesador de tierra, y la envía al OCC.

Por otro lado, el OCC también recibe el resultado del análisis de riesgos de los módulos probabilísticos de IA (como se explicó anteriormente) y transmite la información acumulativa a los algoritmos deterministas de IA para generar una decisión final. El resultado se transmite a la pantalla del conductor y el resultado es una respuesta automática instantánea en forma de aceleración, frenado, cierre o apertura de puertas, etc.

Otras aplicaciones

1) Mantenimiento predictivo.

Se pueden instalar detectores inteligentes en contadores de ejes, circuitos de seguimiento, máquinas de puntos, señales y material rodante para que se puedan detectar defectos. Pueden medir la carga máxima ejercida por los vagones cuando pasan sobre las vías. Dependiendo de la hora y la ubicación, los datos históricos están disponibles en forma de geometría de pista y fluctuaciones debajo de los carros.

Los datos se traducen en mediciones de defectos. Por lo tanto, cualquier defecto de desarrollo se detecta con mucha antelación. La vida restante de las pistas y las ruedas se predice casi con precisión. Si el modelado es lo suficientemente bueno, se puede realizar el mantenimiento (automáticamente en el caso de AR) antes de que las fallas se vuelvan críticas, pero no con tanta frecuencia como para hacer que los costos sean prohibitivos.

Por lo tanto, el mantenimiento predictivo permite a los operadores reaccionar rápidamente a los problemas y fallas existentes. También detecta cualquier falla antes de que ocurra. Por lo tanto, se elimina la necesidad de una larga identificación de la causa raíz. Esto conduce a menores costos de mantenimiento, menor tasa de falla (o cero), reparación más rápida y mayor satisfacción del cliente.

2) Gestión de la tripulación.

Mediante la programación lineal y la heurística, un enfoque adaptativo dirigido por IA puede garantizar que el personal operativo en una determinada sección ferroviaria pueda unirse al horario o horario.

1) Tripulación distribución a largo plazo del personal en varios nodos de red y

2) Programación de la tripulación – un problema de planificación a corto plazo.

Las reglas que se aplican a ambos pueden ser combinaciones complejas de habilidades, preferencias de la tripulación, períodos de descanso, pernoctaciones y otros factores.

3) Gestión de datos.

La industria ferroviaria, como cualquier sistema público, utiliza muchos procedimientos. Dichas aplicaciones generan una gran cantidad de datos que solo crecerán en el futuro y, por lo tanto, serán difíciles de administrar. En tal escenario, la tecnología de inteligencia artificial basada en la nube puede permitir que los ferrocarriles almacenen datos recopilados digitalmente, lo que ahorrará costos y proporcionará una accesibilidad constante.

Otro mérito de la tecnología Cloud es que se puede integrar y conectar fácilmente a otro software. De esta forma, los operadores pueden tener información organizada de inmediato para un rápido proceso de toma de decisiones.

4) biometría.

La taquilla biométrica incluye escaneos de retina, verificación de voz, escaneos de venas, reconocimiento facial y escaneos de huellas digitales. Las cámaras infrarrojas capturan la longitud, la textura y la forma de las partes del cuerpo con inmenso detalle. Los datos deben usarse para fines de venta de entradas y registro. Esto mejoraría significativamente el hacinamiento de pasajeros en las estaciones de ferrocarril y eliminaría la necesidad de taquillas.

Actualmente, compañías como Customer Clever y Bristol Robotics Laboratory en el Reino Unido ya están desarrollando este sistema. No puede dejarse engañar por las fotografías, puede distinguir entre gemelos idénticos e incluso reconocer a las personas que usan anteojos. El sistema ya puede identificar a las personas mientras caminan. Esto permitiría a las estaciones reemplazar completamente las puertas de boletos.

Los desafios

La inteligencia artificial parece ser una poderosa solución de vanguardia para casi todas las áreas de los sistemas ferroviarios anteriores. Pero la tecnología tiene varios desafíos que enfrentar durante la fase de planificación:

1) Fácil penetración.

Las técnicas desarrolladas deben ser utilizables en todos los casos problemáticos, sin una recalificación extensiva. Un algoritmo de planificación desarrollado para una parte de la red ferroviaria debe ser utilizable en cualquier otra parte.

2) variabilidad.

No todas las instancias problemáticas (por ejemplo, un trozo de vía férrea) contienen el mismo número de entradas y decisiones. Muchos algoritmos bajo el paraguas de la inteligencia artificial (por ejemplo, aprendizaje profundo) manejan solo una dimensión fija de entrada-salida. Una planificación cuidadosa puede hacer frente a la discrepancia entre la metodología en bruto y las restricciones de dominio. Pero esto lleva tiempo y energía.

3) Necesidad de detalles.

Los enfoques de recuadro negro son aceptables para estudios conceptuales y pruebas. Pero no son factibles para aplicaciones críticas de seguridad ferroviaria. Por el contrario, se deben requerir enfoques de aprendizaje automático en forma de árboles de decisión o redes neuronales con dimensiones de entrada-salida reducidas.

4) Adhesión a las reglas de operación, procedimientos y restricciones.

Los sistemas del mundo real y las normas nacionales deben encontrar los requisitos de datos para crear cualquier metodología. Deben permitir mediciones basadas en inteligencia artificial y evitar errores en dichos cálculos. Los requisitos de integración y conectividad deben cumplirse dentro de los límites de latencia de transmisión permitidos.

5) Interoperabilidad.

Con un gran intercambio de datos, debe surgir la necesidad de una colaboración más estrecha. Esto incluye operaciones, comunicaciones e integración de datos entre diferentes OEM. Por lo tanto, varias soluciones basadas en IA deben integrarse en un marco coherente.

6) Costo y complejidad.

Cambiar los sistemas existentes a subsistemas basados ​​en TI requiere una planificación ponderada y un costo enorme.

Conclusión

El ferrocarril digital es una realidad en desarrollo en todo el mundo. Se compromete a proporcionar tecnología avanzada tanto para trenes como para vías para proporcionar servicios más rápidos y frecuentes para pasajeros y empresas. Nuestra economía puede tener un gran impulso gracias a la participación de la inteligencia artificial en los ferrocarriles indios.

Pero esto puede llevar varias décadas porque los sistemas ferroviarios basados ​​en IA se están probando o desarrollando actualmente. Además, los gastos generales en términos de costos, complejidad y el alto nivel de competencia técnica no pueden ser ignorados.

Bharti Jain

Bharti es ingeniero electrónico y de comunicaciones, se graduó de la Amity School of Engineering and Technology, GGSIPU, Delhi en 2011. Comenzó su carrera como ingeniero de firmware para procesamiento de señales digitales en Azcom Info solutions Pvt. Ltd, Delhi-NCR . Ha trabajado en la capa física de LTE en MATLAB y C durante más de dos años, entregando emuladores de TI al ejército francés para la comunicación basada en LTE. Actualmente es gerente de proyectos certificado por PMP e ISO 9001: 2015 y trabaja en RITES Ltd, Ministerio de Ferrocarriles. Con amplia experiencia en la gestión de proyectos de señalización y telecomunicaciones para ferrocarriles indios y sectores de energía en todo el país. Ha recibido capacitación en varios cursos técnicos como «Sistemas de protección y alarma de trenes, Sistema automático de cobro de tarifas en el tren subterráneo, Cursos de informes básicos y Curso profesional de gestión de proyectos como miembro del Instituto de gestión de proyectos en los Estados Unidos También ha recibido varios premios de la compañía por sus esfuerzos innovadores y publicaciones técnicas.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *