Cómo se emplea la inteligencia artificial para el mantenimiento de infraestructuras

El mundo del mantenimiento es una matriz dinámica única proactiva y reactiva. Las prácticas y procedimientos pueden variar dependiendo de los contratos, las tendencias y las diferentes regiones geográficas, aunque hay una serie de cuestiones comunes: ‘Qué’, ‘Cuándo’ y ‘Cómo’. Cuál es el objetivo del plan de mantenimiento, qué tipo de actividades de mantenimiento precisamos, de qué tipo de activos disponemos, cuál es la vigencia residual. Cuándo son los plazos, cuándo se espera que ocurran fallos, cuándo debe realizarse el mantenimiento preventivo. Cómo lo vamos a realizar, cuántas horas de mano de obra necesitamos, cómo va a movilizarse el equipo… Y pueden seguir añadiéndose preguntas. Estos son los conceptos básicos en cualquier actividad de mantenimiento tanto en el pasado como en el presente y el futuro. Creamos, realizamos y ejecutamos siguiendo los estándares existentes, es decir, los estándares o prácticas que se crearon en el pasado; la cuestión principal es la siguiente: ¿Estamos haciendo lo suficiente en el presente para estar preparados para el futuro?

El informe de calificaciones de la ASCE sobre las infraestructuras de Estados Unidos ha fluctuado entre D y D+ en esta última década. La pregunta que se hacen los responsables políticos, las partes interesadas, las empresas y los profesionales es cómo abordar el creciente problema del envejecimiento y los fallos de las infraestructuras. Aunque los fondos y las políticas relevantes son fundamentales en la rehabilitación y mitigación de cualquier problema o fallo de infraestructura y podemos relacionarlo con las preguntas que hicimos anteriormente (‘Qué’, ‘Cuándo’ y ‘Cómo’), es la integración de la tecnología, sobre todo el desarrollo reciente de la Inteligencia Artificial (IA) y el aprendizaje automático, lo que nos ayudará en el futuro a lograr la calificación A+ en un breve período de tiempo.

Drones para recopilar datos

Los drones, los sensores y las cámaras que cuenten con capacidad de análisis de datos con IA serán las herramientas de control que tomarán decisiones para el mantenimiento de las infraestructuras en casi todas las empresas en un futuro cercano. Muchas empresas privadas y organizaciones públicas han iniciado ya estas prácticas. Uno de los mejores ejemplos es el uso de drones para supervisar oleoductos y plataformas petrolíferas en lugar de las costosas inspecciones por helicóptero y las arriesgadas inspecciones humanas. Organizaciones de transporte estatales como CDOT utilizan drones para el análisis de pendientes y el seguimiento geográfico de activos. Además, también se usan drones para la inspección ferroviaria. Aun así, la supervisión per se no producirá los resultados deseados; la fusión del análisis del contenido de vídeo e imágenes empleando modelos de aprendizaje automático proporcionará una mayor comprensión del estado de los activos. Los científicos de datos de Avitas Systems, una empresa de General Electric (GE), construyeron una red neural convolucional para la clasificación de imágenes y redes neurales generativas adversas para minimizar la cantidad de trabajo empleado en el etiquetado de imágenes capturadas de los activos inspeccionados. Ayuda a identificar defectos comparándolos automáticamente con diversos modelos. Avitas Systems puede indicar puntos específicos de inspección y desarrollar rutas para recopilar datos en forma de imágenes y vídeo. Estas rutas orientadas por modelos 3D, con capacidad de repetibilidad, las emplean sus drones, rastreadores robóticos y vehículos submarinos autónomos (AUV) desde los mismos ángulos y ubicaciones de rutas anteriores. La repetibilidad de las rutas con los mismos ángulos y ubicaciones implica que se capturan diversas imágenes a lo largo del tiempo con la misma precisión. Esto genera un ciclo de recopilación de imágenes de un activo a lo largo del tiempo. Posteriormente, el análisis avanzado de imágenes puede detectar cambios y medir defectos exactos en un activo, como grietas, corrosiones y fallas (fuente: ge.com). Otro ejemplo es la tecnología de aprendizaje profundo de Fujitsu que calcula con éxito el grado de daño interno de la infraestructura de un puente a través de los datos de vibración recopilados por los sensores conectados. Esta tecnología facilita la toma de decisiones y crea un sistema de inspección y gestión de activos que a su vez ayuda a planificar, mantener y ejecutar el ciclo de vida de las infraestructuras.

Los retos de la inteligencia artificial

Estos son algunos ejemplos de cómo la inteligencia artificial, los sensores y la robótica desempeñarán un papel integral en la gestión de las infraestructuras del futuro. Puede que no coincida con la forma en que imaginamos la inteligencia artificial y la robótica por películas como Star Wars con R2-D2 o C-3PO, pues en realidad aún estamos en la fase inicial de esos sistemas en constante evolución. Hay ciertos desafíos en la integración del sistema de IA ya desarrollado en nuestro flujo de trabajo actual como políticas a nivel estatal y federal, falta de mano de obra capacitada para el funcionamiento de estos sistemas, concienciación y educación del público general (aún oímos noticias de personas que disparan a los drones por privacidad), aumento de los costes generales de la tecnología punta y, sobre todo, cambios en los sistemas ya establecidos. Aunque puede que pasen varias décadas hasta lograr la integración completa de la inteligencia artificial y el aprendizaje automático en nuestras actividades de mantenimiento o planificación, estamos en proceso de conseguirlo a base de pequeños pasos. Por ejemplo, ya empleamos herramientas de análisis de datos que también forman parte de la IA en nuestras actividades diarias. Los datos recopilados de aplicaciones ESRI simples mediante el uso de seguimiento de activos basado en la ubicación para determinar las actividades de mantenimiento o evaluaciones condicionales de activos, el desarrollo de paneles de toma de decisiones dinámicos en ArcGIS mediante la recopilación de datos, analizando las tendencias de datos históricos utilizando software como ‘R’ y tomando decisiones o realizando predicciones a través de la correlación, el uso del sistema de seguimiento de candidatos por parte de RR.HH. para la selección de posibles empleados, el uso de chatbots en los sitios web y muchos otros aspectos son las primeras muestras del análisis de datos, la toma de decisiones y la inteligencia artificial.

Ya ha comenzado la andadura de la IA y el aprendizaje automático. Y hay retos y obstáculos en el camino que pueden resolverse mediante una buena política, gestión y concienciación. Nos vuelve a surgir la misma pregunta: ¿Estamos haciendo lo suficiente en el presente para estar preparados para el futuro?