David González Jiménez ikasleak BIKAIN kalifikazioa lortu zuen

Atzealdea

David González Jiménez ikasleak BIKAIN kalifikazioa lortu zuen

TESIA

David González Jiménez ikasleak BIKAIN kalifikazioa lortu zuen

2023·10·30

$titulo.getData()


  • Tesi titulua: A Hybrid Methodology for Fault Detection and Diagnosis in Railway Traction Systems: Integrating Data-driven and Physics-based models

Epaimahaia:

  • Lehendakaritza: Jose Alfonso Antonino Daviu (Universitat Politècnica de València)
  • Bokala: Txomin Nieva Fatela (CAF POWER & AUTOMATION)
  • Bokala: Daniel Moríñigo Sotelo (Universidad de Valladolid)
  • Bokala: Oliver Wallscheid (Universität Paderborn)
  • Idazkaritza: Fernando Garramiola Alday (Mondragon Unibertsitatea)

Laburpena:

Doktorego-tesi hau lege fisikoak erabiltzen dituzten ereduen eta sistema errealetatik hartutako datuen azterketan oinarritzen da, zehazki, trenen trakzio sistemetan akatsak detektatzeko eta diagnostikatzeko estrategiak diseinatzeko. Oro har, Adimen Artifizial industrialean dagoen erronka garrantzitsu bati heltzen dio, hots, sistema errealendatuen kalitaterik eta eskuragarritasunik ezari, batez ere trakzio-ekipoen akats egoera desberdinekin lotutako daturik ez dagoelako. Ikerketak simulazio-plataformen bidez sortutako datu sintetikoen eta trenbide-aplikazioen datu errealen hibridazioarekin lotutako aukeretan eta erronketan sakontzen du, datuetan oinarritutako akatsak detektatzeko eta diagnostikatzeko estrategien zehaztasuna eta eraginkortasuna hobetzeko helburuarekin.

Egindako azterketa bibliografikoak erakusten du gaur egungo ikerketa batzuetan estrategia hibridoak inplementatu direla, datuetan eta eredu fisikoetan oinarrituta, industria-ekipoetan datu errealen gabezia gainditzeko alternatiba argi gisa. Hala ere, ikuspegi horietako gehienetan, simulazio ereduak ad-hoc sortzen dira datu sintetikoak eskuratzeko. Gainera, azterlan horiek ez dute lan-fluxu estandarizaturik, eta ez diote berariaz heltzen trenbide-sektoreari. Beraz, lan honen ekarpen zientifiko nagusia metodologia estandarizatu bat diseinatzea da, enpresek aldez aurretik baliozkotutako simulazio-plataformak datu errealekin integratu ahal izateko, eskuragarri daudenean. Laburbilduz, metodologia honek trenbideko trakzio-ekipoen bizi-zikloan zehar erabilitako eredu fisikoetan oinarritutako simulazio-plataformak berrerabiltzeko eta hedatzeko jarraibideak proposatzen ditu, daturik ezaren erronkari heltzeko eta enpresen aktiboen osasun egoera kudeatzeko estrategiak diseinatzeko.

CRISP-DM estandarretik eratorritako SI-CRISP-DM izeneko metodologia proposatu da eta hiru erabilera-kasutan frogatu da, tesi honetan lankide den industria-bazkideak definitutako kasuetan, hain zuzen ere. Lehenengoak CRISP-DM estandarraren aplikagarritasuna aztertzen du trenbide-sektoreko Data Mining-eko proiektu batean. Zehazki, estrategia bat diseinatzen da korronte alternoko katenariez elikatutako trakzio-ekipoetan behe-maiztasuneko oszilazioen gertaerak detektatzeko eta diagnostikatzeko. Ezohiko gertaera horiek teknika tradizionalekin detektatzeko kalitatezko daturik ez dagoenez, ikaskuntza automatikoaren bidez gainbegiratutako sailkapen-algoritmoak entrenatzeko martxan dagoen tren proiektu batendatu errealak erabiltzen dituen estrategia diseinatu da.

Bigarren eta hirugarren erabilera-kasuek SI-CRISP-DM metodologiaren potentziala erakusten dute, fisikan oinarritutako hainbat eredu berrerabiltzen baitira datu sintetikoak sortzeko eta, eskuragarri daudenean, datu errealekin hibridatzeko. Zehazki, bigarren erabilera-kasuan, estrategia bat garatzen da trakzioko alderanzgailuetan anomalia termikoak hautemateko, ikaskuntza automatikoaren bidez, eta HDET izeneko simulazio-modelo bat moldatu eta erabili da datu sintetikoak sortzeko. Tresna hori aldez aurretik erabili du bazkide industrialak trakzio-ekipoa diseinatzeko etapetan. Aldi berean, hirugarren erabilera-kasuan, datu sintetikoen iturri gisa Hardware-in-the-Loop plataforma bat erabiltzen da, kontrolagailu komertzialak erabiltzeko aukera ematen duena eta trakzio-ekipoaren kontrola zehatzago emulatzen duena. Horrela, ikasketa automatikoko algoritmoen entrenamendurako datuen kalitatea ziurtatzen da.