Aproximacions neuronals a la diagnosi i prognosi del material rodant

El transport ferroviari es una solució de mobilitat que ha de ser alhora fiable i segura. Amb aquesta finalitat, el manteniment predictiu se centra en aplicar la ciència de dades per a maximitzar la disponibilitat dels actius de material rodant. Això porta a modelar la seva degradació per a minimitzar el temps d’inactivitat mitjançant la prevenció de fallades que afecten el servei. En aquesta línia de valor afegit, la Intel·ligència Artificial (IA) i l’Aprenentatge Automàtic (AA) han demostrat ser tècniques efectives per a extreure patrons latents de comportament a partir de les dades disponibles. Aquesta tesi posa l’èmfasi en l’Aprenentatge Profund, que és l’estat de l’art en la recerca de xarxes neuronals com a paradigma líder en IA i AA. A més, l’abast del treball s’emmarca en el context industrial multinacional d’Alstom, que opera en els principals mercats ferroviaris a nivell mundial, amb presència en els camps del transport de passatgers, senyalització i locomotores. La tesi pretén ser un treball de referència a Alstom en l’àmbit del manteniment predictiu del material rodant, especialment mitjançant l’ús de xarxes neuronals profundes per al desenvolupament de solucions de manteniment avançades que siguin fiables i efectives. Per a tal finalitat, s’han considerat diferents entorns amb tipus de dades mixtes, es a dir, amb variables contínues i discretes, i diferents objectius predictius com la diagnosi i la prognosi. Com a resultat d’aquesta investigació, s’han publicat tres articles en revistes indexades (a mes d’algunes ponències en congressos).