InesStructureMonitoring
Monitorización integral de estructuras y puentes
De los sensores a la alerta: ingesta, machine learning y visualización para detectar anomalías en estructuras.
Del sensora la decisión.
- 01
Sensores
Acelerómetros, extensómetros y sondas de temperatura instalados en la estructura.
- 02
Ingesta en la nube
Los datos se adquieren y almacenan en la nube, en crudo y comprimidos, listos para reentrenar.
- 03
Procesado de señal
Filtrado, decimación y sincronización de sensores según lo que exige cada algoritmo.
- 04
Modelos y OMA
Machine learning entrenado con el histórico y análisis modal operacional automático.
- 05
Alerta y decisión
Aviso inmediato con su gravedad y todo el contexto para actuar.
Monitorización y gestión
Nuestra solución de monitorización permite la ingesta, el análisis avanzado de los datos, el entrenamiento de modelos de machine learning, la generación de alertas por anomalías y la visualización de resultados, a partir de los sensores instalados en la estructura.
Qué hace
01Ingesta de datos
Conexión con los sensores de la estructura (acelerómetros, extensómetros, temperatura…). Los datos se adquieren y almacenan en la nube para su procesado.
02Machine learning avanzado
Modelos entrenados con el histórico para aprender el comportamiento normal de la estructura y detectar después cualquier anomalía.
03Generación de alertas
Aviso por email de cada evento anómalo en cuanto se detecta, con su gravedad según su probabilidad estadística.
04Visualización de resultados
Plataforma con el contexto de cada resultado: meteorología, sensores relacionados y las variables que usan los modelos, como las aceleraciones al paso de un tren.
Un sistema que vigila solo
La descarga, el procesado de señales, el paso por los modelos y la generación de alertas se ejecutan automáticamente cada día. Solo tienes que mirar cuando los modelos consideran que una medida es anómala. Las notificaciones llegan por email o por el servicio de mensajería que se necesite.
Procesamiento de señales
- Procesado según el rango de frecuencias de interés y la resolución que exige cada algoritmo (OMA, pasos de tren…).
- Filtrado y decimación para aislar los modos relevantes para la seguridad estructural.
- Sincronización de las ondas de varios sensores cuando el sistema de adquisición no lo hace de forma nativa.
OMA automático
Algoritmo propio de cálculo de modos de vibración sin excitación externa (Operational Modal Analysis). Se ajusta a cada estructura con su histórico para no confundir artefactos matemáticos con modos reales.
Despliegue en la nube
Pensado para desplegarse en la nube con facilidad: menos coste y más fiabilidad.
Almacenamiento eficiente
Datos en crudo en AWS S3, comprimidos, para reentrenar modelos. Señales y resultados en InfluxDB para graficarlos al instante.
Capturas del producto
Dónde lo hemos aplicado
España
Riesgo de socavación con machine learning
Modelos de machine learning para estimar el riesgo de socavación de los puentes sobre cauce.
Ver proyecto en ines.es
España
Predicción del estado de los puentes
Machine learning para anticipar el estado de más de 25.000 puentes del Ministerio de Transportes.
Ver proyecto en ines.es
España
Mantenimiento predictivo de activos ferroviarios
Analítica avanzada para ADIF, gestor de más de 16.000 km de vía convencional y de alta velocidad.
Ver proyecto en ines.es
¿Quieres verlofuncionando?
Te enseñamos Ines StructureMonitoring con datos y casos parecidos a los tuyos, y resolvemos tus dudas técnicas.