Artículo especializado

Pruebas fantasma sobre raíles: El sistema autónomo que monitoriza trenes sin ingenieros a bordo

About the Author: Lucia Lucero

26 octubre 2026

3 min de lectura

Compartir:
Un desarrollo liderado por Ainhoa Insausti implementa una red de adquisición de datos inteligente y conectividad 5G

Un desarrollo liderado por Ainhoa Insausti implementa una red de adquisición de datos inteligente y conectividad 5G para vigilar la seguridad de los vehículos ferroviarios durante sus largas fases de homologación.

La fase de homologación de un nuevo vehículo ferroviario es un proceso complejo y de desgaste que puede prolongarse durante años. En este período, diversos trenes realizan pruebas simultáneas en vía (frenado, ruido, pantógrafo o dinámica). Dado que son vehículos que aún no cuentan con la autorización final para operar, garantizar la seguridad durante los trayectos es obligatorio.

El gran desafío tradicional de la industria reside en las largas jornadas de pruebas: mantener ingenieros de ensayo permanentemente a bordo solo para vigilar parámetros de seguridad es costoso, ineficiente e introduce riesgos innecesarios. Para superar este límite, Ainhoa Insausti ha diseñado una solución de monitorización autónoma y remota que revoluciona los ensayos dinámicos ferroviarios.

El reto: Vigilar la dinámica del tren en total soledad

Para prescindir de la presencia física de los ingenieros de ensayo sin comprometer la seguridad, el sistema a bordo debía ser capaz de autogestionarse, tomar decisiones lógicas (grabar solo ante eventos críticos) y comunicar de inmediato cualquier anomalía a la base de operaciones, superando las típicas pérdidas de cobertura al cruzar túneles o zonas montañosas.

La solución: Un cerebro autónomo conectado a la vía

La arquitectura de monitorización diseñada se integra directamente en la estructura física del tren sin necesidad de ordenadores externos:

  • Adquisición distribuida de alto rendimiento: Módulos IOLITE (6xSTG y 8xDI-4xDO) distribuidos estratégicamente por el tren para registrar aceleraciones críticas laterales y verticales mediante sensores en la caja de grasa (axlebox), el bogie y la carrocería.
  • El cerebro a bordo: La unidad central OBSIDIAN Gate gestiona de manera local la captura y procesa los datos de forma totalmente independiente, eliminando la necesidad de un PC de ensayos dedicado.
  • Inteligencia basada en eventos: El sistema funciona mediante disparadores (triggers) preconfigurados. Solo almacena y transmite información cuando detecta un comportamiento dinámico fuera de lo normal, optimizando el uso de datos.
  • Comunicaciones robustas y alertas: Mediante un router 5G de alta velocidad, el sistema genera alarmas visuales o acústicas en la cabina del maquinista y envía alertas automáticas por correo electrónico a la sede central si se superan los umbrales de seguridad.

Inmunidad ante pérdidas de cobertura y monitorización en la nube

Para evitar la pérdida de datos críticos en zonas sin cobertura móvil (como túneles), el software integrado incluye una base de datos local de retransmisión que almacena temporalmente la información y la sincroniza de forma encriptada mediante protocolo SFTP o el servidor Historian una vez recuperada la señal. Esto permite visualizar el estado del vehículo en directo a través de paneles personalizados en Grafana.

Gracias a este desarrollo autónomo, la ingeniería ferroviaria avanza hacia una nueva era de homologaciones más eficientes, reduciendo costes operativos y logísticos mientras se eleva el estándar de seguridad en las vías.

¿Te interesa saber más sobre esta tecnología?

Si quieres profundizar en los detalles técnicos de este innovador sistema de monitorización y recibir el documento completo de la investigación, por favor, rellena el siguiente formulario y te lo enviaremos directamente a tu correo electrónico.

El límite del ojo humano en líneas asépticas: Inteligencia Artificial vs. Criterio Subjetivo en la inspección de viales
Errores comunes al implementar un programa de Mantenimiento Predictivo (PdM) y cómo evitarlosErrores comunes al implementar un programa de Mantenimiento Predictivo (PdM) y cómo evitarlos