Cloud, IoT y machine learning en tu ascensor

Paloma Recuero de los Santos    7 mayo, 2020

Seguro que cada día viajas en ascensor unas cuantas veces: en tu casa, en el metro, en el trabajo etc. Desde que, en 1857, el inventor neoyorquino Elisha Otis creó el primer ascensor, estos dispositivos, claves para la expansión vertical de las ciudades y el desarrollo de los rascacielos, han sufrido una gran evolución. Sin embargo, al estar tan presentes en nuestro día, muchas veces no somos conscientes de cómo gracias al IoT, los algoritmos machine learning y el almacenamiento de datos en la nube, nuestros ascensores ahora son ascensores inteligentes.

Primeros años: operados por ascensoristas

Igual que hablamos de “profesiones del futuro”, podemos hablar de “profesiones desaparecidas”. Y una de ellas era la de “ascensorista”. Los primeros ascensores eran “pilotados” por operadores humanos.

En la década de 1950, los interruptores eléctricos tomaron en control. Como curiosidad, algunos edificios históricos como la Smith Tower de Seattle mantuvieron a estos profesionales hasta 2017.

Ascensoristas de la Smith Tower
(Joe Mabel, wikimedia)
Figura 1: Ascensoristas de la Smith Tower (Joe Mabel, wikimedia)

Los ingenieros tuvieron que diseñar reglas para indicar al ascensor a qué planta ir en qué momento. Lo más sencillo, era definir un recorrido de paradas fijas a horas determinadas. Algo parecido a coger el autobús, lo cual, evidentemente, era muy poco práctico e ineficiente.

Empezamos a hablar de algoritmos

En los años 60, los ascensores incorporaron botones de llamada. Si querías coger el ascensor, no tenías más que pulsar el botón de llamada, y el ascensor paraba en esa planta para recogerte.  El problema entonces era gestionar las llamadas simultáneas. ¿Dónde hacer la siguiente parada? ¿En la planta más próxima o en aquella desde la que se recibió la primera llamada? ¿Qué priorizar? ¿un servicio rápido o menor consumo energético?

Surgieron los primeros algoritmos. Uno de los primeros, conocido como “algoritmo de control colectivo” o simplemente el “algoritmo del ascensor”, se basaba en dos reglas muy sencillas:

  • Mientras haya alguien dentro o esperando el ascensor que quiera ir en el sentido actual (subida o bajada), siga en ese sentido.
  • Si no hay más peticiones en el sentido actual, y hay una petición en sentido contrario, cambie de sentido. De lo contrario, deténgase y espere una llamada.

Estos son los típicos ascensores que tienen dos botones en el exterior: de subida y de bajada. Su sencillez y razonable eficiencia, hace que todavía sean muy habituales, sobre todo en edificios residenciales.

Figura 2: Sistema de llamada de 2 botones
Figura 2: Sistema de llamada de 2 botones

Sin embargo, en grandes edificios, con un gran número de ascensores, este sistema era muy ineficiente. Los ingenieros idearon distintas estrategias como comunicar los ascensores entre sí (si se recibe una llamada desde la planta baja y el ascensor 1 está subiendo, atiende la llamada el ascensor 2); o asignar grupos de ascensores a plantas determinadas. O la estrategia de “aparcamiento” que envía a los ascensores libres a una planta determinada, por ejemplo, la baja, a esperar pasajeros.

Los avances computacionales en los años 70 permitieron crear simulaciones de software para poner prueba la eficiencia de este tipo de estrategias. Algunos de los algoritmos más utilizados fueron:

  • Ascensor más cercano (Nearest car), optimiza por distiancia
  • Priorización de llamadas coincidentes
  • Estimación del tiempo de llegada (Estimated time of arrival), optimiza por tiempo de trayecto

El algoritmo de control de destinos (Destination dispatch)

En los rascacielos de los años 90 se impuso el algoritmo de “control de destinos” (destination dispatch). En los sistemas de control basados en el destino (también conocidos como asignación de llamadas), los pasajeros indican el piso de destino en el rellano y el sistema responde indicando qué ascensor debe utilizarse. Este modelo fue creado a principios de los años 60 por el ingeniero Port de Sydney, pero no fue posible implementarlo de forma eficiente hasta el desarrollo del microprocesador.

Figura 3: Panel exterior de selección de destino (fuente)
Figura 3: Panel exterior de selección de destino (fuente)

Cuando se usa este algoritmo, el proceso de optimización dará lugar a que los pasajeros que viajen a los mismos pisos sean agrupados. Al hacer menos paradas, el viaje de ida y vuelta de los ascensores es más rápido.  Esto significa que pueden mover más personas, en otras palabras, tienen una mayor “capacidad de manejo”.

Figura 3: Ejemplo de funcionamiento del algoritmo "control de destinos" (con permiso)
Figura 3: Ejemplo de funcionamiento del algoritmo “control de destinos” (con permiso)

Primeras aplicaciones del aprendizaje automático en ascensores

Con todas estas posibles estrategias, el problema principal de los ingenieros pasó a ser qué algoritmo elegir. Pero, nuevamente, los avances en computación permitieron aplicar técnicas de machine learning para el desarrollo de una nueva herramienta: el control de grupo (elevator group control)

El control de grupo de ascensores es el algoritmo que se utiliza para asignar/adjudicar las solicitudes de parada para las distintas cabinas del grupo de ascensores minimizando una determinada función de coste. A medida que el controlador de grupo recibe más información, puede tomar mejores decisiones.  Las informaciones que pueden estar disponibles (además de las nuevas llamadas recibidas a asignar) son, por orden de importancia:

  • Posición de todas las cabinas
  • Sentido de movimiento de cada una (subida o bajada)
  • Patrón de tráfico (pico de subida/bajada, valle)
  • Número de pasajeros en cada cabina
  • Destino de los pasajeros dentro de la cabina
  • Llamadas asignadas a cada cabina

Las funciones de coste que busca minimizar el algoritmo pueden ser:

  • Duración del trayecto
  • Tiempo de espera del usuario
  • Acumulación de ascensores en una zona concreta del edificio (bunching)

El problema es que, según sea el tipo de tráfico, unos algoritmos funcionan mejor que otros a la hora de minimizar estas funciones de coste.

Ventajas del algoritmo control de grupos

No obstante, el control de grupos permite reducir tiempos de espera, tiempos de viaje y consumo energético. A partir de los patrones de uso aprendidos por el sistema, por ejemplo, cuáles son las horas pico/valle, (¿entrada/salida, hora de comer?), los pisos de mayor preferencia (¿cafetería?) etc, éste selecciona de forma automática que cabina es más adecuada para atender cada petición de servicio.

Con este sistema, también se pueden asignar más ascensores a los pisos congestionados de manera flexible, o detectar que un ascensor ya está lleno y no asignarle más paradas.

También se maneja la prioridad entre la eficiencia de operatividad en las horas pico y la eficiencia energética en las horas con menos afluencia de usuarios.

Ascensores sensorizados y conectados a la nube

A finales de 2015, ThyssenKrupp lanzó lo que llamó “la primera solución de mantenimiento predictivo en tiempo real basada en la nube” basada en la nube Microsoft Azure. En 2017 se sumaron Kone, con su “Servicio conectado 24/7″, y Schindler, con “Schindler Ahead”. El último de “los grandes” en sumarse fue Otis, que lanzó su “ascensor conectado” en 2018.

En 2019 Telefónica y Schindler anunciaron su alianza de conectividad digital, por la cual Telefónica se convirtió en el socio de IoT y de conectividad de red para la oferta digital de ascensores y escaleras mecánicas inteligentes Schindler Ahead.

Dotar a los ascensores y escaleras mecánicas de dispositivos de IO conectados a la nube y aplicar técnicas de machine learning a las lecturas de los dispositivos permite predecir cuándo puede producirse una avería y enviar a los técnicos a repararla antes de que se interrumpa el servicio.

Datos recogidos por sensores en las puertas, que dan información sobre su funcionamiento (¿pueden detectarse pequeños fallos en algún contacto, ligeros retrasos, se abren las puertas más de lo normal…?), del sistema de control que despacha las llamadas, de la funcionalidad de los botones (¿falla algún botón?), del comportamiento de parada y aceleración, la posición y el movimiento en el eje (¿alguna molesta vibración horizontal debida a un fuerte viento o movimiento sísmico?), el tiempo que se tarda en llegar, el volumen de uso etc.. Toda esa información se envía a la nube, donde los algoritmos de machine learning detectan comportamientos anómalos que alertan sobre posibles averías futuras.

También se pueden instalan sensores que controlan la humedad, la temperatura o las vibraciones. Este tipo de sensores permiten obtener insights más complejos, en los que el fallo se deba a una combinación particular de circunstancias. Por ejemplo, “Las puertas están tardando más en cerrarse, pero sólo ocurre en días húmedos y se asocia con la vibración en otra parte del ascensor”, que permiten a los ingenieros detectar rápidamente el origen de problemas persistentes.

En definitiva, la combinación de tecnologías IoT, Cloud y Machine Learning, permite que los ascensores no sólo sean más cómodos y eficientes, sino también más seguros. Estas importantes mejoras en el transporte vertical han dado un gran impulso a la construcción de grandes rascacielos.

Algunos datos curiosos para terminar

Los ascensores pueden alcanzar grandes alturas. Un ejemplo de esto son los ascensores del Burj Khalifa, en Dubai, que recorren 163 pisos; un increíble total de 828 metros.

También pueden alcanzar velocidades considerables, siempre respetando el confort de las personas que viajan en ellos. Los ascensores más rápidos del mundo se encuentran en el Shangai Tower en China,y alcanzan los 20.5 m/s, lo que se traduce en 74 km/h. Esta velocidad es 13 veces mayor a la que puede alcanzar un ascensor en cualquier edificio residencial.

En Madrid, la Torre de Cristal con 249 metros, es el edificio mas alto de España, y cuenta con 27 ascensores para dar servicio a sus 50 pisos.

Otro dato curioso sobre ascensores, es que España el país con mayor concentración de ascensores del mundo, como podemos ver en este análisis elaborado por Quartz en 2014.

Referencias:

Para mantenerte al día con LUCA visita nuestra página web suscríbete a LUCA Data Speaks o síguenos en TwitterLinkedIn YouTube.

Comentarios

Deja un comentario

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