Skip to main content

Resultados relacionados

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

RiuNet. Repositorio Institucional de la Universitat Politécnica de Valéncia
Publication Tesis doctoral (DoctoralThesis)

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

  • Guerra-Carmenate, José
[ES] 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 \textit{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 (CO\textsubscript{2} 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., [CA] Aquesta tesi doctoral aborda el problema de l'anàlisi i el reconeixement de patrons en sèries temporals generades en entorns industrials, amb especial atenció a senyals elèctriques i ambientals que presenten una gran complexitat i requereixen enfocaments robustos, no intrusius i adaptables a condicions d'operació variables. Per a això, s'integren tècniques estadístiques d'alt ordre, com ara l'anàlisi multifractal, la bicoherència i els cumulants centrals, amb metodologies d'aprenentatge automàtic, en particular models híbrids basats en xarxes neuronals recurrents i convolucionals. La tesi es desenvolupa a través de tres estudis principals, cadascun centrat en un problema específic, però amb una mateixa filosofia metodològica: extraure informació rellevant i discriminant a partir de senyals sorolloses, no estacionàries i de comportament complex, en condicions d'operació reals. En primer lloc, es proposa un mètode per al diagnòstic precoç de l'activitat d'espurneig en motors de corrent continu, mitjançant l'anàlisi de l'espectre multifractal de la corrent d'armadura i del flux dispers, i la definició d'un indicador basat en el \textit{cepstrum} complex. Els resultats mostren una clara discriminació entre diversos nivells de fallada, especialment durant l'arrencada del motor, fet que reforça la viabilitat d'integrar aquest mètode en sistemes embeguts de manteniment predictiu. En segon lloc, es presenta una metodologia per a la detecció automàtica de fallades en el devanat de camp de motors síncrons amb escombretes, basada en l'anàlisi de bicoherència i estadístics d'alt ordre (asimetria i curtosi) sobre senyals de flux dispers. A més, es proposa una tècnica de segmentació automàtica d'imatges de bicoherència mitjançant un recorregut espiral ponderat, que permet quantificar visualment la severitat del dany de forma automàtica. El sistema demostra una alta eficàcia tant en arrencada com en règim estacionari. Finalment, es desenvolupa una arquitectura IoT per a la predicció de variables ambientals en interiors (CO\textsubscript{2} i temperatura), que integra dispositius de captura de dades amb models híbrids CNN-LSTM. S'avalua el seu rendiment comparat amb altres arquitectures neuronals, observant-se una millor precisió, estabilitat i temps de resposta, fet que valida la seua aplicació en entorns de monitoratge ambiental en temps quasi real. Els resultats obtinguts mostren el potencial de les tècniques proposades per abordar problemes complexos en la indústria, combinant anàlisi avançada de senyals amb intel·ligència artificial, amb un enfocament pràctic i transferible a sistemes reals., [EN] This doctoral thesis addresses the challenge of analyzing and recognizing patterns in time series data from industrial environments, focusing on electrical and environmental signals that exhibit high complexity and demand robust, non-intrusive, and adaptable analytical approaches. To this end, the work integrates higher-order statistical techniques—such as multifractal analysis, bicoherence, and central cumulants—with machine learning methodologies, particularly hybrid models based on recurrent and convolutional neural networks. The thesis is structured around three core studies, each targeting a specific industrial problem but unified under a common methodological philosophy: extracting discriminative information from noisy, non-stationary, and structurally complex signals under real operational conditions. First, a diagnostic method is proposed for the early detection of sparking activity in DC motors, based on the multifractal spectrum of armature current and stray flux signals, along with a novel indicator derived from the complex cepstrum. Results demonstrate clear distinctions between different fault levels, especially during the motor’s startup phase, highlighting the method’s suitability for embedded predictive maintenance systems. Secondly, an automatic fault detection method is developed for field winding failures in synchronous motors with brushes, using bicoherence analysis and higherorder statistics (skewness and kurtosis) applied to stray flux signals. Additionally, an innovative image segmentation approach based on spiral-weighted traversal is introduced, enabling automatic visual quantification of fault severity. The proposed system performs reliably in both startup and steady-state conditions. Finally, an IoT architecture is presented for the prediction of indoor environmental variables (CO2 and temperature), combining data acquisition devices with a CNN-LSTM hybrid model. Comparative analysis against other neural architectures reveals superior accuracy, stability, and response time, validating the system’s applicability to near real-time environmental monitoring. Overall, the results confirm the potential of the proposed methodologies to address complex industrial problems, combining advanced signal analysis with artificial intelligence to deliver practical, scalable, and real-world-applicable solutions., Agradezco la financiación recibida por parte del FECYT a través del proyecto Iluminación inteligente y gobernanza participativa: implementación de técnicas de inteligencia artificial, datos abiertos y ciencia ciudadana en el barrio de Orriols (FCT-22-18602), cuyo apoyo ha sido vital en el desarrollo de este trabajo. Asimismo, agradezco la financiación recibida por parte de la Generalitat Valenciana (España) a través del programa PROMETEO 2024 (CIPROM/2023/32), cuyo respaldo ha contribuido decisivamente a la realización de este trabajo.