Utilización de clasificadores automáticos para la categorización y monitorización del estado operativo de material rodante ferroviario

Resumen

La denominada Cuarta Revolución Industrial o Industria 4.0, momento en el que nos encontramos actualmente, consiste en la integración de sensores avanzados que recogen información, en tiempo real, para ser procesada y analizada por software integrado y optimizar la toma de decisiones. El área del mantenimiento es uno de los campos de la ingeniería que ha experimentado un sensible impulso pues la implementación de técnicas de aprendizaje automático ha conseguido una considerable mejoría en los resultados del diagnóstico de la condición de las máquinas y, en la práctica, ha significado un incremento en la seguridad y eficacia del mantenimiento predictivo.
El aumento de la seguridad en el sector ferroviario mediante el uso de estas técnicas y una considerable reducción de los costos de operación son a la vez objetivo y logro del uso de las metodologías citadas. En el presente artículo se presenta un estudio de la aplicación de técnicas de aprendizaje automático a señales vibratorias obtenidas de un banco de ensayos de bogies ferroviarios.
En trabajos anteriores se aplicaron técnicas de Machine Learning como, por ejemplo, los algoritmos de árboles de decisión, para clasificar las señales vibratorias con el objetivo de la obtención de un clasificador óptimo, mediante el procesamiento de las señales para la obtención de los parámetros propios y, a continuación, desarrollar estudios de selección de cualidades y de optimización de hiperparámetros, realizando finalmente la clasificación y por tanto la determinación las condiciones de operación del sistema mecánico.
Con los estudios realizados se han obtenido clasificaciones próximas al 100% de eficacia mediante determinadas combinaciones de hiperparámetros en la realización de los ensayos comprobando, también, que un mayor número de hiperparámetros en el análisis no solo no supone una mejora en la eficacia global del clasificador si no que en determinadas condiciones ocasiona, incluso, una disminución de le eficacia.
Sirviendo como base los estudios realizados y mediante la obtención de nuevos hiperparámetros, el presente trabajo pretende evaluar si las técnicas de Machine Learning son capaces, en su conjunto, de realizar, con un alto nivel de precisión, la detección de fallos, de forma que se permita el análisis del estado del sistema mecánico con unos niveles de eficacia superiores a los obtenidos anteriormente.