Los algoritmos de mantenimiento predictivo basados en detección de anomalías permiten intervenir justo antes del fallo real de una pieza, reduciendo recambios innecesarios y optimizando el consumo de energía en los vehículos. Este proyecto combina eficiencia en el diseño de IA (Green AI) y un impacto positivo directo en sostenibilidad (AI for Green).
En los modelos de mantenimiento preventivo tradicionales las intervenciones se realizan según calendario, independientemente del estado real de la pieza. Se generan residuos y consumo innecesario de recambios y los funcionamientos anómalos no detectados provocan consumos excesivos de energía, combustible o potencia.
La solución: detección de anomalías y mantenimiento “en caliente”
Se desarrollaron algoritmos de pequeño tamaño, optimizados para ejecutarse localmente en los vehículos con consumo mínimo de recursos.
Funciones principales: Detectan anomalías en datos de funcionamiento de múltiples sistemas y piezas. Aprenden patrones de comportamiento y predicen fallos inminentes y permiten programar el mantenimiento justo antes del fallo real, evitando cambios innecesarios.
Impacto en sostenibilidad
- Reducción de residuos: solo se cambian piezas que realmente lo necesitan.
- Optimización energética: identifica consumos excesivos de combustible, batería o potencia por mal funcionamiento de sistemas.
- Disponibilidad operativa: se minimizan paradas inesperadas gracias a intervenciones predictivas.
Este enfoque genera un impacto ambiental positivo directo al disminuir emisiones y uso de recursos, además de prolongar la vida útil de componentes y optimizar la eficiencia de la flota.
