Enfoques neuronales para el diagnóstico y pronóstico del material rodante

El transporte ferroviario es una solución de movilidad que debe ser a la vez fiable y segura. A tal fin, el mantenimiento predictivo se centra en aplicar la ciencia de datos para maximizar la disponibilidad de los activos de material rodante. Esto lleva a moldear su degradación para minimizar el tiempo de inactividad mediante la prevención de fallos que afectan al servicio. En esta línea de valor añadido, la Inteligencia Artificial (IA) y el Aprendizaje Automático (AA) han demostrado ser técnicas efectivas para extraer patrones latentes de comportamiento a partir de los datos disponibles. Esta tesis pone el énfasis en el Aprendizaje Profundo, que es el estado del arte en la investigación de redes neuronales como paradigma líder en IA y AA. Además, el alcance del trabajo se enmarca en el contexto industrial multinacional de Alstom, que opera en los principales mercados ferroviarios a nivel mundial, con presencia en los campos del transporte de pasajeros, señalización y locomotoras. La tesis pretende ser un trabajo de referencia en Alstom en el ámbito del mantenimiento predictivo del material rodante, especialmente mediante el uso de redes neuronales profundas para el desarrollo de soluciones de mantenimiento avanzadas que sean fiables y efectivas. Para tal fin, se han considerado diferentes entornos con tipos de datos mixtos, es decir, con variables continuas y discretas, y diferentes objetivos predictivos como la diagnosis y la prognosis. Como resultado de esta investigación, se han publicado tres artículos en revistas indexadas (además de algunas ponencias en congresos).