T11. Análisis y reconocimiento de patrones en series temporales en el contexto industrial basados en técnicas estadísticas de alto orden y machine learning

T11. Análisis y reconocimiento de patrones en series temporales en el contexto industrial basados en técnicas estadísticas de alto orden y machine learning

 

 

José Guerra Carmenate

-> Acceder a tesis 

Cita:

Guerra-Carmenate, José (2025). Análisis y reconocimiento de patrones en series temporales en el contexto industrial basados en técnicas estadísticas de alto orden y machine learning [Tesis doctoral]. Universidad Politécnica de Valencia. https://riunet.upv.es/handle/10251/231404

Resumen: 

La presente tesis doctoral aborda el problema del análisis y reconocimiento de patrones en series temporales generadas en entornos industriales, centrándose en señales eléctricas y ambientales cuya complejidad exige enfoques robustos, no intrusivos y adaptables a condiciones operativas cambiantes. Para ello, se integran técnicas estadísticas de alto orden, como el análisis multifractal, la bicoherencia y los cumulantes centrales, con metodologías de aprendizaje automático, particularmente modelos híbridos basados en redes neuronales recurrentes y convolucionales.
La tesis se estructura en tres estudios principales, cada uno centrado en un problema concreto, pero unidos por una misma filosofía metodológica: extraer información discriminante a partir de señales ruidosas, no estacionarias y con estructura compleja, en situaciones reales de operación.
En primer lugar, se propone un método de diagnóstico para la detección temprana de chispas en motores de corriente continua, combinando el análisis del espectro multifractal de la corriente de armadura y el flujo disperso con un nuevo indicador basado en el cepstrum complejo. Los resultados muestran una clara discriminación entre distintos niveles en cuanto a la presencia de chispas, especialmente durante el arranque del motor, lo que refuerza la viabilidad de sistemas de monitorización embebidos para mantenimiento predictivo.
A continuación, se desarrolla una metodología para la detección automática de fallos en el bobinado de campo de motores síncronos con devanado, empleando análisis de bicoherencia y estadísticas de orden superior (asimetría y curtosis) aplicadas a señales de flujo disperso. Además, se introduce una técnica novedosa de segmentación de imágenes de bicoherencia mediante recorrido espiral ponderado, que permite cuantificar visualmente la severidad del fallo sin intervención humana. La estrategia demuestra una alta capacidad de detección y automatización bajo distintos regímenes de operación.
Finalmente, se presenta una arquitectura IoT para la predicción de variables ambientales en interiores (CO2 y temperatura), que integra dispositivos de adquisición basados en microcontroladores, con modelos híbridos CNN-LSTM. Se realiza un análisis comparativo frente a otras arquitecturas de aprendizaje profundo, demostrando que el modelo propuesto ofrece el mejor rendimiento global (precisión, estabilidad y tiempo de respuesta), lo que valida su aplicación en entornos de gestión ambiental en tiempo casi real.
Los resultados obtenidos a lo largo de la tesis evidencian el potencial del enfoque adoptado para abordar problemáticas complejas en el ámbito industrial, combinando técnicas de análisis avanzado de señales con modelos de predicción basados en inteligencia artificial. Las soluciones desarrolladas, además de aportar nuevas herramientas teóricas y metodológicas, se caracterizan por su aplicabilidad práctica y su capacidad de integración en sistemas reales.

 

Relación:

La tesis doctoral descrita se alinea de manera directa y estructural con los principios metodológicos, tecnológicos y de impacto del proyecto Prometeo, en tanto que aborda problemáticas complejas en entornos reales mediante enfoques avanzados de análisis de datos, inteligencia artificial y sistemas embebidos, con una clara orientación a la transferencia y a la aplicabilidad práctica.

En primer lugar, la filosofía metodológica común constituye un eje central de convergencia. Tanto la tesis como Prometeo comparten la necesidad de extraer conocimiento significativo a partir de señales complejas, ruidosas y no estacionarias, procedentes de sistemas reales sometidos a condiciones operativas cambiantes. El uso de técnicas estadísticas de alto orden (multifractalidad, bicoherencia, cumulantes) combinadas con modelos híbridos de aprendizaje automático conecta directamente con el enfoque de Prometeo, orientado a integrar análisis avanzado de datos, inteligencia artificial y validación empírica para la toma de decisiones en contextos industriales, energéticos y ambientales.

En segundo lugar, los casos de estudio de la tesis refuerzan los pilares tecnológicos de Prometeo en materia de monitorización inteligente, mantenimiento predictivo e infraestructuras sensorizadas. Los métodos propuestos para la detección temprana de chispas en motores de corriente continua y para el diagnóstico automático de fallos en motores síncronos se alinean con los objetivos de Prometeo de anticipación del fallo, reducción de incertidumbre operativa y optimización de sistemas industriales, aspectos clave en entornos de transición tecnológica y energética.

Asimismo, la introducción de indicadores no intrusivos y automatizados, junto con técnicas de segmentación y cuantificación visual de la severidad del fallo, conecta con la vocación del proyecto Prometeo de desarrollar soluciones escalables, replicables y embebibles, capaces de integrarse en arquitecturas reales sin dependencia de supervisión experta constante.

Por último, la arquitectura IoT desarrollada para la predicción de variables ambientales en interiores (CO₂ y temperatura) enlaza de forma directa con la dimensión ambiental y de sostenibilidad del proyecto Prometeo. La combinación de dispositivos de adquisición basados en microcontroladores con modelos híbridos CNN-LSTM refleja una aproximación plenamente coherente con las líneas de Prometeo en monitorización ambiental inteligente, gestión de datos en tiempo casi real y apoyo a la toma de decisiones basada en evidencia, tanto en entornos industriales como urbanos.