AI-Driven Predictive Maintenance with Real-Time Contextual Data Fusion for Connected Vehicles: A Multi-Dataset Evaluation

Resumen Técnico: Mantenimiento Predictivo para Vehículos Conectados con Fusión de Datos Contextuales

1. Problema y Motivación

Los sistemas actuales de mantenimiento predictivo para vehículos dependen casi exclusivamente de señales de diagnóstico internas (temperatura del motor, vibraciones, códigos de falla OBD-II). Estos sistemas presentan dos limitaciones críticas:

• Visión parcial: Ignoran factores externos que influyen significativamente en la degradación de componentes, como la calidad del pavimento, las condiciones climáticas, la densidad del tráfico y el comportamiento del conductor.
• Validación deficiente: La mayoría de los trabajos existentes se validan en datos sintéticos con etiquetas deterministas (binarias), lo que infla artificialmente las métricas de rendimiento y carece de credibilidad para escenarios del mundo real.

El objetivo de este trabajo es proponer y validar un marco de mantenimiento predictivo aumentado por V2X (Vehicle-to-Everything) que integre datos internos del vehículo con señales contextuales externas, procesadas en el borde (edge) para baja latencia.

2. Metodología y Arquitectura del Sistema

El sistema propuesto integra cinco capas interoperables y utiliza un enfoque de fusión de datos multifuente:

• Arquitectura de Datos:

  • Adquisición de Sensores: Datos internos vía CAN bus/OBD-II (temperatura, presión de neumáticos, desgaste de frenos, estado de salud de la batería) y datos IMU para calidad de la carretera.
  • Ingesta Contextual (V2X): Datos externos obtenidos mediante módulos DSRC/C-V2X y APIs de terceros, incluyendo estado del clima, densidad de tráfico, tipo de carretera y peligros viales.
  • Procesamiento en el Borde: Se utiliza un nodo de borde (simulado con NVIDIA Jetson Orin Nano) que alinea todos los flujos de datos en una línea temporal de 1 segundo y ejecuta inferencia con modelos cuantizados (TFLite INT8).
  • Sincronización en la Nube y Servicio: Los alertas se envían a sistemas de gestión de concesionarios (DMS) para programar citas automáticamente.

• Ingeniería de Características (Feature Engineering):
  Se definen cuatro grupos de características para capturar vías causales de degradación:

  1. Mecánica Interna: Estado instantáneo del vehículo.
  2. Comportamiento del Conductor: Frecuencia de frenado brusco, variación de aceleración.
  3. Contexto Ambiental/V2X: Temperatura ambiente, rugosidad de la carretera (IRI), tráfico.
  4. Interacciones Ingenieradas: Características derivadas físicamente (ej. carga térmica del motor combinando temperatura, tráfico y clima).

• Modelos de Aprendizaje Automático:
  Se evalúan cuatro clasificadores: Regresión Logística, Random Forest, XGBoost y LightGBM. Se utiliza validación cruzada estratificada de 5 pliegues y SMOTE (solo dentro de los pliegues de entrenamiento) para manejar el desequilibrio de clases.

• Estrategia de Validación (Enfoque Multi-Dataset):
  Dado que no existe un conjunto de datos público con etiquetas de falla automotriz y contexto V2X simultáneamente, el estudio utiliza tres capas de evidencia:

  1. Dataset Sintético Informado por Física: 2,000 observaciones generadas con un modelo de degradación probabilístico para probar la fusión de datos.
  2. Dataset AI4I 2020 (Real): 10,000 muestras de fallos en máquinas industriales para validar la capacidad de generalización del pipeline algorítmico a datos reales desbalanceados.
  3. Análisis de Sensibilidad al Ruido: Evaluación empírica de la robustez del modelo ante diferentes niveles de ruido en los sensores ($\sigma$).

3. Contribuciones Clave

1. Arquitectura de Fusión Contextual: Propuesta de un marco que combina diagnósticos internos con señales V2X para inferencia en el borde.
2. Evidencia Causal de la Fusión: Un estudio de ablación que demuestra cuantitativamente que los datos contextuales (V2X) mejoran la precisión de la clasificación.
3. Validación Rigurosa: Benchmarking en el dataset real AI4I 2020 con intervalos de confianza y comparación con baselines publicados, utilizando protocolos estrictos de validación cruzada.
4. Caracterización de Ruido: Reemplazo de estimaciones especulativas por curvas de degradación de rendimiento medidas empíricamente frente al ruido del sensor.
5. Interpretabilidad: Análisis SHAP que confirma que las características contextuales e interacciones ingenieradas son predictores influyentes.

4. Resultados Principales

• Estudio de Ablación (Dataset Sintético):

  • El modelo completo alcanza un F1 Macro de 0.855.
  • La eliminación de las características ambientales (V2X) reduce el F1 a 0.829 (una caída de 0.026 puntos), demostrando causalmente el valor de los datos externos.
  • El modelo que usa solo características internas (sin contexto) obtiene un F1 de 0.807, confirmando que la fusión contextual aporta un beneficio aditivo consistente.

• Benchmark AI4I 2020 (Datos Reales):

  • LightGBM obtuvo el mejor rendimiento con un F1 Macro de 0.814 y un AUC-ROC de 0.973.
  • Estos resultados son más conservadores que los reportados en trabajos previos (que a menudo aplicaban SMOTE incorrectamente), reflejando la dificultad real de predecir fallos con una tasa de falla del 3.4%.
  • El modelo logró distinguir bien fallos sistemáticos (como disipación de calor) pero tuvo dificultades predecir fallos aleatorios, como se esperaba teóricamente.

• Análisis de Importancia (SHAP):

  • Las 5 características más importantes incluyen variables internas (grosor de frenos, degradación de aceite) y contextuales (condición de lluvia, impacto tráfico-carretera).
  • Cuatro de las top 15 características pertenecen al grupo contextual/interacción, validando la integración de V2X.

• Sensibilidad al Ruido:

  • El modelo mantiene un F1 > 0.88 con ruido bajo a moderado ($\sigma \le 0.5$).
  • La degradación es predecible: a $\sigma = 2.0$, el F1 cae a 0.74. Esto proporciona una base empírica para establecer umbrales de alerta en entornos reales.

• Latencia y Despliegue en el Borde:

  • Se estima que la inferencia en el borde reduce la latencia de respuesta de 3.5 segundos (procesamiento en la nube) a menos de 1.0 segundo, basándose en benchmarks de modelos de LTE y hardware local.

5. Significado y Limitaciones

• Significado: Este trabajo establece una base arquitectónica y algorítmica sólida para el mantenimiento predictivo de próxima generación. Proporciona la primera evidencia causal (en simulación controlada) de que los datos V2X no son solo "ruido", sino señales predictivas críticas. Además, ofrece una evaluación honesta y reproducible que evita las trampas de los datos sintéticos perfectos.
• Limitaciones:
  • El dataset sintético no ha sido validado con datos de desmontaje físico real de componentes.
  • El benchmark AI4I 2020 es de maquinaria industrial, no de vehículos; aunque valida el pipeline, la transferencia directa al dominio automotriz requiere validación de campo.
  • Las métricas de latencia son modelos teóricos, no mediciones en vehículos en movimiento.
• Trabajo Futuro: El siguiente paso necesario es el despliegue en una flota de vehículos instrumentados para recopilar etiquetas de falla reales (ground-truth), seguido de técnicas de adaptación de dominio y aprendizaje federado para mejorar la privacidad y la precisión continua.

En conclusión, el artículo presenta un prueba de concepto rigurosa que demuestra que la fusión de datos contextuales en tiempo real, procesada en el borde, mejora significativamente la capacidad de predecir fallos en vehículos conectados, superando las limitaciones de los sistemas tradicionales basados únicamente en datos internos.