El alumno David González Jiménez obtuvo la calificación SOBRESALIENTE
El alumno David González Jiménez obtuvo la calificación SOBRESALIENTE
El alumno David González Jiménez obtuvo la calificación SOBRESALIENTE
- Título de tesis: A Hybrid Methodology for Fault Detection and Diagnosis in Railway Traction Systems: Integrating Data-driven and Physics-based models
Tribunal:
- Presidencia: Jose Alfonso Antonino Daviu (Universitat Politècnica de València)
- Vocalía: Txomin Nieva Fatela (CAF POWER & AUTOMATION)
- Vocalía: Daniel Moríñigo Sotelo (Universidad de Valladolid)
- Vocalía: Oliver Wallscheid (Universität Paderborn)
- Secretaría: Fernando Garramiola Alday (Mondragon Unibertsitatea)
Resumen:
Esta tesis doctoral se enfoca en el análisis de modelos basados en la física y los datos de campo para diseñar estrategias de detección y diagnóstico de fallos (DDF) en sistemas de tracción ferroviaria. En rasgos generales, aborda un importante desafío en la IA industrial, que es la falta de calidad y disponibilidad de datos de campo, principalmente debido a la ausencia de datos relacionados con diferentes modos de fallo de los equipos de tracción. La investigación profundiza en las oportunidades y retos asociados con la hibridación de datos sintéticos generados mediante herramientas de simulación, con datos de campo de aplicaciones ferroviarias, con el objetivo de mejorar la precisión y eficacia de las estrategias de DDF basadas en datos.
El estado del arte realizado demuestra que existen investigaciones actuales en las que se han implementado estrategias híbridas basadas en datos y en modelos físicos, como una alternativa clara para superar la falta de datos reales de campo en equipos industriales. Sin embargo, en la mayoría de estos enfoques, los modelos de simulación se generan ad-hoc para la creación de datos sintéticos. Además, estos estudios carecen de un flujo de trabajo estandarizado y no abordan específicamente el sector ferroviario. Por lo tanto, la principal contribución científica de este trabajo radica en el diseño de una metodología estandarizada que permita la integración de plataformas de simulación previamente validadas por las empresas, con los datos reales de campo cuando están disponibles. En resumen, esta metodología propone pautas para reutilizar y extender el uso de las plataformas de simulación basadas en modelos físicos utilizadas a lo largo del ciclo de vida de los equipos de tracción ferroviaria, a fin de abordar el desafío de la falta de datos y diseñar estrategias de gestión de salud para los activos de las empresas.
Esta nueva metodología denominada SI-CRISP-DM, derivada del estándar CRISP-DM, se implementa en tres casos de uso diferentes, definidos por el socio industrial colaborador en esta tesis. El primero de ellos analiza la aplicabilidad de estas pautas en un proyecto de Minería de Datos en el sector ferroviario. En particular, se diseña una estrategia para detectar y diagnosticar eventos de oscilaciones de baja frecuencia en equipos de tracción alimentados por catenarias de corriente alterna. Debido a la falta de datos de calidad para detectar estos eventos anómalos con técnicas tradicionales, se plantea un enfoque basado en datos que utiliza datos reales de campo para entrenar algoritmos de clasificación supervisada mediante aprendizaje automático.
El segundo y tercer caso de uso demuestran el potencial de la metodología SI-CRISP-DM al reutilizar diferentes modelos basados en física para generar datos sintéticos e hibridarlos con datos reales de campo cuando están disponibles. En concreto, en el segundo caso de uso, se desarrolla una estrategia para detectar anomalías térmicas en el bloque inversor de tracción mediante aprendizaje automático, modificando un modelo de simulación llamado HDET para generar datos sintéticos. Esta herramienta ha sido previamente utilizada por el socio industrial en las etapas de diseño del equipo de tracción. Al mismo tiempo, en el tercer caso de uso, se utiliza como fuente de datos sintéticos una plataforma Hardware-in-the-Loop, permitiendo el uso de controladores comerciales y emulando más fielmente el equipo de tracción. De esta forma se asegura la calidad de los datos para el entrenamiento de algoritmos de aprendizaje automático.