Pasar al contenido principal

Resultados relacionados

Resultados totales (Incluyendo duplicados): 1
Encontrada(s) 1 página(s)

RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
Publicación Tesis de maestría (MasterThesis)

Detección de anomalías en los sistemas de climatización de una flota de autobuses basado en IA, Malfuction detection on Air Conditioning systems using Artificial Intelligence applied to a bus fleet, Detecció d&apos, anomalies als sistemes de climatització d&apos, una flota d&apos, autobusos basat en IA

  • Cejudo, Federico Ruben
[ES] Este Trabajo Fin de Máster aborda la problemática de los fallos en el sistema de climatización (HVAC) de los autobuses urbanos de la Empresa Municipal de Transporte (EMT) de Valencia, cuyo funcionamiento es crítico para garantizar el confort de los pasajeros y la continuidad del servicio. Para ello, se recopilaron y analizaron registros operativos procedentes de diferentes fuentes telemáticas y de mantenimiento, estructurando una base de datos sólida con 28 variables relevantes. Se implementó un modelo de aprendizaje profundo (LSTM Autoencoder) con el fin de caracterizar el comportamiento normal del sistema y detectar anomalías a partir de desviaciones en los patrones temporales. Aunque esta primera iteración se limitó por la disponibilidad de datos y tiempo, permitió validar criterios de filtrado, definir una metodología replicable y construir una arquitectura inicial funcional. Los resultados constituyen un primer paso hacia el desarrollo de metodologías de mantenimiento predictivo en el marco de la Industria 4.0, orientadas a mejorar la fiabilidad operativa de la flota, reducir costes de mantenimiento y optimizar la prestación del servicio de transporte urbano., [EN] This Master's Thesis addresses the issue of failures in the Heating, Ventilation, and Air Conditioning (HVAC) system of urban buses operated by the Municipal Transport Company (EMT) of Valencia, whose proper functioning is essential to ensure passenger comfort and service continuity. Operational records from telematics platforms and maintenance reports were collected and analyzed, resulting in a robust database of 28 key variables. A deep learning model (LSTM Autoencoder) was implemented to characterize the normal behavior of the HVAC system and detect anomalies based on deviations in temporal patterns. Although this first iteration was limited by data availability and time constraints, it validated filtering criteria, established a replicable methodology, and produced a functional initial architecture. The outcomes represent an initial step toward the development of predictive maintenance methodologies within the framework of Industry 4.0, aiming to enhance fleet reliability, reduce maintenance costs, and improve the quality of urban transport services