Redes de sensores más fiables

Un proyecto europeo está mejorando la fiabilidad de las mediciones obtenidas con las cada vez más extendidas redes de sensores

M. Iturrate-Garcia^1*, J.V. Pearce², P.F. Østergaard³, M. Vaa⁴, A. Xhonneux⁵, S. Tabandeh^6
1* Federal Institute of Metrology METAS, Berna-Wabern, Suiza
² National Physical Laboratory, Teddington, Reino Unido
³ Danish Technological Institute, Aarhus, Dinamarca
⁴ FORCE Technology, Hørsholm, Dinamarca
⁵ Forschungszentrum Jülich, Jülich, Alemania
⁶ VTT Technical Research Centre of Finland Ltd, Espoo, Finlandia

Este artículo es una traducción modificada del artículo titulado Making Sensor Networks Trustworthy publicado en el número 39 de la revista Precision (Institute of Measurement and Control InstMC).

En general, los sensores han pasado de ser instrumentos caros y especializados a dispositivos baratos y de uso extendido. Esta democratización es una buena noticia porque nos ofrece mucha más información sobre el mundo que nos rodea de la que jamás podrían haber proporcionado las antiguas y dispersas redes de medición. Sin embargo, viene acompañada de limitaciones: los sensores de bajo coste sufren derivas, se ven afectados por el entorno, se instalan de diferentes formas y, a veces, fallan de manera correlacionada. Cuando se agregan miles de mediciones imperfectas, combinarlas sin más puede dar una falsa sensación de seguridad.

El proyecto “Principios fundamentales de la metrología de redes de sensores” (Fundamental principles of Sensor Network Metrology; FunSNM), del programa europeo de colaboración en metrología (European Partnership on Metrology; EPM), se creó para mejorar esta situación. El proyecto de tres años, iniciado en septiembre de 2023, reúne a centros nacionales de metrología, universidades y socios industriales para desarrollar la ciencia, el software y los estándares internacionales que nos permitan evaluar la fiabilidad de las redes de sensores como un todo, en lugar de limitarnos a analizar los sensores a nivel individual [Tabandeh 2025].

Algunas de las preguntas que el proyecto FunSNM pretende responder son: ¿cómo se cuantifican la incertidumbre y se asegura la trazabilidad en redes de sensores?, ¿cómo se propaga la incertidumbre entre dispositivos y a lo largo del tiempo?, ¿cómo se diseña un software automatizado que avise cuando las redes – o parte de ellas – dejen de ser fiables?, ¿y cómo se hace que esos métodos sean útiles para sectores ligados a procesos dependientes de la detección distribuida, que van desde la distribución energética y la fabricación industrial, pasando por el monitoreo de la calidad del aire en centros urbanos?

Socios y alcance: una iniciativa europea

El proyecto reúne a 19 instituciones -entre ellas, centros nacionales de metrología e institutos designados (CMI, DTI, FORCE, IPQ, LNE, METAS, Metrosert, NPL, PTB, VSL, VTT), universidades y centros de investigación (UH, UCAM, VINS, FZ-Jülich,), socios industriales (CCPI, RandomRed, Vaisala) y otras organizaciones especializadas (el observatorio de la calidad del aire de París AIPARIF)- que combinan una metrología de primer orden con conocimientos especializados en sistemas energéticos, fabricación y calidad del aire. Entre los participantes se encuentran el coordinador del proyecto (VTT; Finlandia) y el coordinador de los casos prácticos para demostrar el uso real de los avances (NPL; Reino Unido). La variedad de socios refleja la necesidad del proyecto de combinar tanto el rigor metrológico como contextos operativos reales para demostrar sus métodos.

Desarrollo de la metrología

Entre los temas técnicos fundamentales considerados por el proyecto se incluyen:

• Propagación de la incertidumbre en redes de sensores – adaptación de los métodos clásicos de metrología, que funcionan bien con instrumentos individuales, a redes complejas de sensores en las que las mediciones son interdependientes. Entre los métodos generalizados por el proyecto se incluyen el establecimiento de redes en malla con estructura de árbol basadas en modelos; herramientas del dominio de Laplace para el análisis y la propagación de la incertidumbre en condiciones dinámicas; la evaluación de la incertidumbre en casos en los que existan correlaciones entre los datos de los sensores [Kok 2025]; y un método para estimar la deriva relativa de los sensores que componen redes en las que existen correlación de datos y la incertidumbre asociada [Harris 2025].
• Métricas de calidad de los datos – diseño de indicadores automatizados que avisen cuando un sensor o una subred se desvía o cuando no se puede confiar en los datos colectivos. Esto incluye un enfoque sistemático para definir los requisitos de calidad de los datos [ISO/IEC 5259] para redes de sensores, las métricas aplicadas en las dimensiones relevantes de calidad de los datos, y los procesos que hay que aplicar para garantizar que se alcanza y se mantiene la calidad de datos deseada.
• Trazabilidad al Sistema Internacional de Unidades (SI) para sensores de bajo coste – creación de cadenas de medición para que incluso dispositivos de bajo coste puedan relacionarse con unidades de medida reconocidas de forma documentada y reproducible. A nivel de redes de sensores, la combinación de calibraciones llevadas a cabo en el laboratorio – reproduciendo en la medida de lo posible las condiciones medioambientales – con métodos de autocalibración y co-calibración in situ con sensores de referencia, así como herramientas de fusión de sensores que tienen en cuenta la incertidumbre, han sido desarrollados durante el proyecto para detectar desviaciones y el deterioro de los sensores en una red [Verdurmudi 2025].
• Herramientas informáticas y marcos de trabajo automatizados – conversión de los nuevos métodos en un software fácil de usar que las empresas de servicios públicos, fabricantes y operarios de estaciones de monitoreo medioambientales puedan adoptar realmente. Para la automatización de la evaluación de la incertidumbre y la fusión de datos, se han ampliado los entornos de simulación existentes para permitir cambios en la topología de las redes en tiempo real [Verdurmudi 2025]. Este enfoque considera redes de sensores «basadas en agentes», es decir, un sistema distribuido en el que agentes de software autónomos gestionan el funcionamiento de los sensores y el procesamiento de sus datos. El proyecto FunSNM proporciona ejemplos prácticos en el contexto del paquete Python «agentMET4FOF», disponible gratuitamente [MET4FOF 2025] y que ofrece herramientas de código abierto para la creación rápida de prototipos y su implementación. Las redes de sensores basadas en agentes representan un cambio de paradigma hacia sistemas inteligentes y autoorganizados.

Demostraciones y casos prácticos del mundo real

Gran parte del proyecto FunSNM está dedicada a validar los conceptos técnicos y herramientas desarrolladas en entornos reales [Pearce 2025], para lo cual se seleccionaron los siguientes casos prácticos:

• Sistemas de calefacción urbana – Las redes europeas de calefacción urbana (especialmente en Escandinavia) se esfuerzan por perder la menor cantidad posible de energía térmica, lo que permite temperaturas de suministro más bajas en el sistema. Mejorar la metrología de las redes de sensores puede ayudar a los operadores a localizar tuberías mal aisladas o con fugas, mejorar el control de procesos y garantizar una facturación justa. Utilizando el filtro de Kalman Unscented, que se adapta bien a las redes de calefacción urbana con estructura de árbol [Østergaard 2025], ha sido posible identificar desviaciones sistemáticas de temperatura en los contadores de los consumidores y detectar el deterioro del aislamiento en las tuberías de servicio, todo ello basándose en datos operativos in situ. En la Figura 1 se muestra un esquema de este tipo de redes. Al reducir la incertidumbre en los datos operativos, este enfoque mejora la precisión de la facturación, optimiza la distribución de energía y respalda inversiones específicas en infraestructura.

• Medición de gas – se ha comprobado que una parte importante de los medidores de caudal de gas sometidos a recalibración se han desviado fuera de los límites de tolerancia, lo que supone un problema costoso tanto para los consumidores como para los proveedores. Una mejor caracterización de la incertidumbre y las comprobaciones in situ pueden reducir las sustituciones innecesarias y garantizar una facturación correcta. La fusión de sensores combina datos de múltiples sensores utilizando modelos matemáticos para producir una estimación del caudal más precisa y robusta que la que puede proporcionar cualquier sensor por sí solo. Entre los enfoques recientemente desarrollados se incluye la fusión sensible a la incertidumbre, capaz de detectar desviaciones ocultas de los sensores.
• Control de hornos de alta temperatura – en el sector aeroespacial y otros sectores de fabricación de alto valor, el proyecto FunSNM está desarrollando formas de corregir la deriva de los sensores de temperatura cuando se alcanzan valores superiores a 1100 °C usando para ello redes de termopares junto con modelos físicos y estadísticos para detectar la deriva. Las redes de termopares se obtienen utilizando termopares multifilares en la que cada hilo tiene una composición diferente y todos ellos se unen en la punta, dando como resultado redes de varios termopares diferentes en una sola unidad. El hecho de que (a) cada cable se desvíe a un ritmo diferente, (b) los termopares tengan hilos en común, y (c) estén observando la misma temperatura en la punta, se ha aprovechado para permitir la detección de la deriva y la aplicación de una corrección, mejorando la eficiencia del proceso y la consistencia del producto [Harris 2025].
• Monitoreo de la calidad del aire – las observaciones atmosféricas contribuyen a cubrir una gran variedad de necesidades fundamentales de las comunidades mediante el monitoreo de la calidad del aire en zonas urbanas y las emisiones en puntos críticos industriales, la evaluación de riesgos atmosféricos, la validación de observaciones satelitales de la Tierra y el seguimiento de las variables climáticas, así como la evaluación y validación de las proyecciones de los modeles climáticos y la asimilación de datos, entre otros. Mediante el despliegue de cientos de sensores móviles y fijos de bajo coste, junto con un pequeño número de sensores de referencia de alta calidad (Figura 2), FunSNM está perfeccionando los enfoques de trazabilidad al SI y la modelización para ofrecer mapas de contaminación más fiables a escala urbana [Harris 2025]. El objetivo de esta actividad es explorar la viabilidad de calibrar redes de sensores de calidad mixta empleadas en el monitoreo de la calidad del aire, incluso en condiciones heterogéneas y dinámicas, usando para ello nuevos métodos de recalibración, auto-calibración y co-calibración.

• Edificios inteligentes: los edificios consumen aproximadamente un tercio de la energía mundial y emiten una proporción similar de dióxido de carbono (CO₂), siendo los sistemas de calefacción, ventilación y aire acondicionado (HVAC) los principales responsables. Si los sensores fallan, la calidad del aire interior y el confort pueden verse afectados, y el consumo de energía y las emisiones pueden aumentar innecesariamente. Los edificios modernos cuentan ahora con densas redes de sensores de bajo coste que controlan la temperatura, la humedad, el CO₂, la ocupación, el flujo de aire, los compuestos orgánicos volátiles y mucho más; estas redes alimentan los sistemas de gestión de edificios que automatizan la calefacción, la ventilación y la refrigeración. La aplicación de los métodos a nivel de red desarrollados por el proyecto permite tratar un edificio no como un conjunto de dispositivos aislados, sino como un sistema de metrología distribuido, en el que la redundancia, las correlaciones y los patrones de deriva pueden utilizarse para inferir la incertidumbre y señalar problemas automáticamente. Los edificios de ensayo especializados del Centro de Investigación Jülich (FZ-Jülich, Alemania) están permitiendo la validación de las nuevas técnicas analíticas [Mork 2025].

Sensores más baratos, software más inteligente

Una de las implicaciones del enfoque del proyecto FunSNM es que no siempre necesitas un hardware mejor para obtener mejores datos. Al modelar cuidadosamente cómo se relacionan los sensores entre sí -aprovechando la redundancia, los patrones de deriva relativos y las correlaciones-, el proyecto pretende aumentar el valor de los sensores ya instalados mediante mejoras en software y métodos. Para muchas aplicaciones, este enfoque es mucho más rentable que la sustitución total del hardware. Es la diferencia entre «comprar un sensor nuevo» y «usar datos estadísticos para saber si el antiguo sigue siendo lo suficientemente bueno».

FunSNM comunica sus avances a través de publicaciones y boletines del proyecto, incluyendo publicaciones técnicas y software de acceso libre. La información está disponible en la página web del proyecto, https://funsnm.eu

Financiación

El proyecto 22DIT02 FunSNM ha recibido financiación de la Asociación Europea de Metrología, cofinanciada por el Programa de Investigación e Innovación «Horizonte Europa» de la Unión Europea y por los Estados participantes.

Funding statement

The Project 22DIT02 FunSNM has received funding from the European Partnership on Metrology, co-finance from the European Union’s Horizon Europe Research and Innovation Programme and by the Participating States.

Referencias

[Tabandeh 2025] S. Tabandeh, et. al., “Sensor network metrology: Current state and future directions”, Measurement: Sensors, vol. 38, p. 101798, 2025. https://doi.org/10.1016/j.measen.2024.101798

[Kok 2025] G. Kok, et. al., “Modelling and determining correlations in sensor networks”, Measurement: Sensors, vol. 38, p. 101793, 2025. https://doi.org/10.1016/j.measen.2024.101793

[Harris 2025] P. Harris, et. al., “Measurement Uncertainty Evaluation for Sensor Network Metrology”, Metrology, vol. 5, p. 3, 2025. https://doi.org/10.3390/metrology5010003

[ISO/IEC 5259-2] ISO/IEC 5259-2:2024 Artificial intelligence – Data quality for analytics and machine learning (ML) Part 2: Data quality measures

[MET4FOF 2025] https://agentmet4fof.readthedocs.io/en/latest/

[Pearce 2025] J.V. Pearce, “End-user case studies in sensor network metrology”, Measurement: Sensors, vol. 38, p. 101819, 2025. https://doi.org/10.1016/j.measen.2025.101819

[Verdurmudi 2025] A. Verdurmudi, et. al., “Automation in sensor network metrology: An overview of methods and their implementations”, Measurement: Sensors, vol. 38, p. 101799, 2025. https://doi.org/10.1016/j.measen.2024.101799

[Østergaard 2025] P.F. Østergaard, T.S. Daugbjerg, G. Kok, “Unscented Kalman Filtering for in-situ Bulk Identification of District Heating Meter Temperature Offsets and Service Pipe Insulation Level Detection”, EPJ web of conferences, vol. 323, p. 07002, 2025. https://doi.org/10.1051/epjconf/202532307002

[Mork 2025] M. Mork, et. al., “ALICE2Modelica – Automated building model generation for building control and simulation”, 2024 Open Source Modelling and Simulation of Energy Systems (OSMSES), Vienna, Austria, pp. 1-7, 2024. https://doi.org/10.1109/OSMSES62085.2024.10668986